Coherence All Mpnet Base V2

🚀 連貫性測試模型

本模型專為對話連貫性測試而設計，能有效評估回覆與問題的相關性和連貫性，可用於提升聊天機器人和對話系統的性能。

🚀 快速開始

你可以按照以下方式使用該模型：

from sentence_transformers import CrossEncoder
model = CrossEncoder('enochlev/coherence-all-mpnet-base-v2')
output = model.predict([["What is your favorite color?", "Blue!"],
                        ["Do you like playing outside?", "I like ice cream."],
                        ["What is your favorite animal?", "I like dogs!"],
                        ["Do you want to go to the park?", "Yes, I want to go on the swings!"],
                        ["What is your favorite food?", "I like playing with blocks."],
                        ["Do you have a pet?", "Yes, I have a cat named Whiskers."],
                        ["What is your favorite thing to do on a sunny day?", "I like playing soccer with my friends."]])

print(output)

輸出數組代表連貫性得分，分數越高表示連貫性越強。

✨ 主要特性

• 專為對話連貫性測試設計：該模型是 sentence-transformers/all-mpnet-base-v2 的微調版本，專門用於評估對話的連貫性。
• 使用交叉編碼器架構：藉助 sentence-transformers 庫中的交叉編碼器架構，能夠準確評估回覆與問題的相關性。
• 可直接使用或進一步微調：可以直接用於提升聊天機器人或對話系統的性能，也可以針對特定的對話系統進行進一步微調。

📚 詳細文檔

模型詳情

模型描述

此模型是 sentence-transformers/all-mpnet-base-v2 的微調版本，專為對話連貫性測試而設計。它利用 sentence-transformers 庫中的交叉編碼器架構，旨在評估給定提示或問題下回復的相關性和連貫性。

• 開發者：Enoch Levandovsky
• 模型類型：交叉編碼器
• 語言：英語
• 許可證：更多信息請查看倉庫
• 微調基礎模型：sentence-transformers/all-mpnet-base-v2

模型來源

• 倉庫：Hugging Face 上的模型
• 空間演示：連貫性測試空間

用途

直接使用

該模型旨在評估給定問題或提示下回復的連貫性。它可以直接用於提升聊天機器人或對話系統的性能，通過預測回覆的連貫性或相關性，從而提高對話代理的質量。

下游使用

該模型可以針對特定的對話系統進行進一步微調，或作為更大的對話式人工智能框架的組件，以確保回覆有意義且符合上下文。

超出適用範圍的使用

該模型不適用於需要複雜情感分析、情感基調識別或對話連貫性評估之外的任務。

結果

示例輸出中，接近 1 的分數表示回覆具有連貫性或相關性。例如：

Output >>> array([0.88097143, 0.04521223, 0.943173  , 0.9436357 , 0.04369843,
                  0.94450355, 0.8392763 ], dtype=float32)

評估與侷限性

測試數據、因素和指標

該模型使用 CHILDES 數據集進行了微調與評估，以確保能有效捕捉對話的連貫性。

建議

用戶應注意，雖然該模型能預測連貫性，但可能無法完全捕捉到對話中的細微元素，如諷刺或幽默。

環境影響

請參考 機器學習影響計算器 來估算碳排放。雖然沒有該模型訓練的具體細節，但請考慮採用一般的最佳實踐來減少環境影響。

引用

若要引用此模型，請在 Hugging Face 倉庫頁面和原模型創建者 Enoch Levandovsky 處提供適當的引用信息。

📄 許可證

更多許可證信息請查看倉庫。

💡 使用建議

該模型雖然能有效評估對話連貫性，但對於包含諷刺、幽默等細微元素的對話，可能無法完全準確評估。在使用時需注意其侷限性。