Bert Base Japanese V3 Nli Jsnli

🚀 日語自然語言推理（NLI）交叉編碼器

本模型是用於日語自然語言推理的交叉編碼器，基於特定數據集訓練，能輸出句子對不同標籤的得分，還可用於零樣本分類等任務。

🚀 快速開始

考慮到 JNLI 評估結果，我們推薦使用 akiFQC/bert-base-japanese-v3_nli-jsnli-jnli-jsick 進行日語自然語言推理。

本模型使用 SentenceTransformers 的 Cross-Encoder 類進行訓練，基於 tohoku-nlp/bert-base-japanese-v3 構建。

✨ 主要特性

• 基於特定數據集訓練，可對給定句子對輸出對應標籤的得分。
• 支持多種使用方式，包括使用預訓練模型和直接使用 Transformers 庫。
• 可用於零樣本分類任務。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關庫（SentenceTransformers、Transformers）的官方文檔進行安裝。

💻 使用示例

基礎用法

預訓練模型的使用方式如下：

from sentence_transformers import CrossEncoder
model = CrossEncoder('akiFQC/bert-base-japanese-v3_nli-jsnli')
scores = model.predict([('男はピザを食べています', '男は何かを食べています'), ('黒いレーシングカーが観眾の前から発車します。', '男は誰もいない道を運転しています。')])

#Convert scores to labels
label_mapping = ['entailment', 'neutral', 'contradiction',]
labels = [label_mapping[score_max] for score_max in scores.argmax(axis=1)]

高級用法

直接使用 Transformers 庫（不使用 SentenceTransformers 庫）的方式：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model = AutoModelForSequenceClassification.from_pretrained('cross-encoder/nli-deberta-v3-base')
tokenizer = AutoTokenizer.from_pretrained('cross-encoder/nli-deberta-v3-base')

features = tokenizer(['男はピザを食べています', '黒いレーシングカーが観眾の前から発車します。'], ['男は何かを食べています', '男は誰もいない道を運転しています。'],  padding=True, truncation=True, return_tensors="pt")

model.eval()
with torch.no_grad():
    scores = model(**features).logits
    label_mapping = ['contradiction', 'entailment', 'neutral']
    labels = [label_mapping[score_max] for score_max in scores.argmax(dim=1)]
    print(labels)

零樣本分類用法

本模型還可用於零樣本分類：

from transformers import pipeline

classifier = pipeline("zero-shot-classification", model='akiFQC/bert-base-japanese-v3_nli-jsnli')

sent = "Appleは先程、iPhoneの最新機種について発表しました。"
candidate_labels = ["技術", "スポーツ", "政治"]
res = classifier(sent, candidate_labels)
print(res)

📚 詳細文檔

訓練數據

模型在 JSNLI 數據集上進行訓練。對於給定的句子對，它將輸出對應標籤的三個得分：{0:"蘊含關係", 1:"中立關係", 2:"矛盾關係"}。

基準測試

JGLUE - JNLI 驗證集準確率：0.770

📄 許可證

本項目採用 CC BY - SA 4.0 許可證。