Bge M3 Korean

🚀 upskyy/bge-m3-korean

upskyy/bge-m3-korean 模型是基於 BAAI/bge-m3 進行 korsts 和 kornli 微調得到的。它能將句子和段落映射到 1024 維的密集向量空間，可用於語義文本相似度計算、語義搜索、釋義挖掘、文本分類、聚類等任務。

🚀 快速開始

本模型可通過 sentence-transformers 庫或 HuggingFace Transformers 庫使用，下面會分別介紹使用方法。

✨ 主要特性

• 多語言支持：支持多種語言，包括韓語、英語等。
• 高維度輸出：輸出維度為 1024 維，能更好地表示句子語義。
• 長序列處理：最大序列長度可達 8192 個詞元，可處理較長的文本。
• 多種相似度指標：支持餘弦相似度、曼哈頓相似度、歐幾里得相似度等多種相似度計算方法。

📦 安裝指南

安裝 Sentence Transformers 庫

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer

# 從 🤗 Hub 下載模型
model = SentenceTransformer("upskyy/bge-m3-korean")

# 運行推理
sentences = [
    '아이를 가진 엄마가 해변을 걷는다.',
    '두 사람이 해변을 걷는다.',
    '한 남자가 해변에서 개를 산책시킨다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# 獲取嵌入向量的相似度分數
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
print(similarities)
# tensor([[1.0000, 0.6173, 0.3672],
#         [0.6173, 1.0000, 0.4775],
#         [0.3672, 0.4775, 1.0000]])

高級用法（HuggingFace Transformers）

from transformers import AutoTokenizer, AutoModel
import torch


# 平均池化 - 考慮注意力掩碼以進行正確平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型輸出的第一個元素包含所有詞元嵌入
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# 我們想要獲取句子嵌入的句子
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained("upskyy/bge-m3-korean")
model = AutoModel.from_pretrained("upskyy/bge-m3-korean")

# 對句子進行分詞
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors="pt")

# 計算詞元嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 進行池化操作，這裡使用平均池化
sentence_embeddings = mean_pooling(model_output, encoded_input["attention_mask"])

print("Sentence embeddings:")
print(sentence_embeddings)

📚 詳細文檔

模型詳情

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

評估指標

語義相似度

• 數據集：sts-dev
• 使用 EmbeddingSimilarityEvaluator 進行評估

框架版本

• Python: 3.10.13
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.0+cu121
• Accelerate: 0.30.1
• Datasets: 2.16.1
• Tokenizers: 0.19.1

🔧 技術細節

本模型基於 BAAI/bge-m3 進行微調，通過自知識蒸餾技術實現多語言、多功能、多粒度的文本嵌入。在微調過程中，使用了 korsts 和 kornli 數據集，以提高模型在韓語語義相似度任務上的性能。

📄 許可證

文檔未提及相關信息。

📚 引用

BibTeX

@misc{bge-m3,
      title={BGE M3-Embedding: Multi-Lingual, Multi-Functionality, Multi-Granularity Text Embeddings Through Self-Knowledge Distillation}, 
      author={Jianlv Chen and Shitao Xiao and Peitian Zhang and Kun Luo and Defu Lian and Zheng Liu},
      year={2024},
      eprint={2402.03216},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}