Multi Sentence BERTino
模型概述
該模型基於indigo-ai/BERTino訓練,使用了意大利語的mmarco和stsb數據集,主要用於句子相似度計算和特徵提取。
模型特點
意大利語支持
專門針對意大利語優化,能夠有效處理意大利語句子和段落的語義表示。
高效向量化
將文本轉換為768維的密集向量,便於後續的相似度計算和聚類分析。
多數據集訓練
使用mmarco(20萬條)和stsb兩個意大利語數據集進行訓練,提高了模型的泛化能力。
模型能力
句子相似度計算
文本特徵提取
語義搜索
文本聚類
使用案例
信息檢索
語義搜索
在意大利語文檔集合中查找語義相似的句子或段落。
提高搜索結果的準確性和相關性
文本分析
文本聚類
將意大利語文本按語義相似度進行自動分組。
實現無監督的文本分類
🚀 多句子BERTino模型
這是一個用於句子相似度任務的模型,它能將句子和段落映射到768維的密集向量空間,可用於聚類或語義搜索等任務。該模型基於特定數據集訓練,能有效處理相關自然語言處理任務。
🚀 快速開始
本模型可通過不同方式使用,下面將分別介紹不同庫下的使用方法。
✨ 主要特性
- 基於 sentence-transformers 框架,能將句子和段落映射到768維的密集向量空間。
- 採用 indigo-ai/BERTino 進行訓練,使用了 mmarco italian (200K) 和 stsb italian 數據集。
📦 安裝指南
使用 sentence-transformers
庫
安裝 sentence-transformers
庫:
pip install -U sentence-transformers
使用 FastEmbed
庫
安裝 FastEmbed
庫:
pip install fastembed
💻 使用示例
使用 sentence-transformers
庫
from sentence_transformers import SentenceTransformer
sentences = ["Una ragazza si acconcia i capelli.", "Una ragazza si sta spazzolando i capelli."]
model = SentenceTransformer('nickprock/multi-sentence-BERTino')
embeddings = model.encode(sentences)
print(embeddings)
使用 FastEmbed
庫
from fastembed import TextEmbedding
from fastembed.common.model_description import PoolingType, ModelSource
sentences = ["Una ragazza si acconcia i capelli.", "Una ragazza si sta spazzolando i capelli."]
TextEmbedding.add_custom_model(
model="nickprock/multi-sentence-BERTino",
pooling=PoolingType.MEAN,
normalization=True,
sources=ModelSource(hf="nickprock/multi-sentence-BERTino"), # can be used with an `url` to load files from a private storage
dim=768,
model_file="onnx/model_qint8_avx512_vnni.onnx", # can be used to load an already supported model with another optimization or quantization, e.g. onnx/model_O4.onnx
)
model = TextEmbedding(model_name="nickprock/multi-sentence-BERTino")
embeddings = list(model.embed(sentences))
print(embeddings)
使用 HuggingFace Transformers
庫
from transformers import AutoTokenizer, AutoModel
import torch
#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] #First element of model_output contains all token embeddings
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)
# Sentences we want sentence embeddings for
sentences = ['Una ragazza si acconcia i capelli.', 'Una ragazza si sta spazzolando i capelli.']
# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('nickprock/multi-sentence-BERTino')
model = AutoModel.from_pretrained('nickprock/multi-sentence-BERTino')
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Compute token embeddings
with torch.no_grad():
model_output = model(**encoded_input)
# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 詳細文檔
評估結果
要對該模型進行自動評估,請參考 Sentence Embeddings Benchmark: https://seb.sbert.net
訓練參數
該模型的訓練參數如下:
數據加載器與損失函數設置
- DataLoader 1:
torch.utils.data.dataloader.DataLoader
長度為 31250,參數如下:
Loss 1:{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
sentence_transformers.losses.TripletLoss.TripletLoss
,參數為:{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}
- DataLoader 2:
torch.utils.data.dataloader.DataLoader
長度為 360,參數如下:
Loss 2:{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss
- DataLoader 3:
torch.utils.data.dataloader.DataLoader
長度為 31250,參數如下:
Loss 3:{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
sentence_transformers.losses.CachedMultipleNegativesRankingLoss.CachedMultipleNegativesRankingLoss
,參數為:{'scale': 20.0, 'similarity_fct': 'cos_sim'}
fit()
方法參數
{
"epochs": 10,
"evaluation_steps": 500,
"evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
"max_grad_norm": 1,
"optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
"optimizer_params": {
"lr": 2e-05
},
"scheduler": "WarmupLinear",
"steps_per_epoch": 1500,
"warmup_steps": 360,
"weight_decay": 0.01
}
完整模型架構
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: DistilBertModel
(1): Pooling({'word_embedding_dimension': 768, '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})
)
📄 許可證
本模型採用 MIT 許可證。
Jina Embeddings V3
Jina Embeddings V3 是一個多語言句子嵌入模型,支持超過100種語言,專注於句子相似度和特徵提取任務。
文本嵌入
Transformers 支持多種語言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基於MS Marco段落排序任務訓練的交叉編碼器模型,用於信息檢索中的查詢-段落相關性評分
文本嵌入 英語
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基於蒸餾技術的稀疏檢索模型,專為OpenSearch優化,支持免推理文檔編碼,在搜索相關性和效率上優於V1版本
文本嵌入
Transformers 英語

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基於PubMedBERT的生物醫學實體表徵模型,通過自對齊預訓練優化語義關係捕捉
文本嵌入 英語
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一個強大的句子轉換器模型,專注於句子相似度和文本嵌入任務,在多個基準測試中表現出色。
文本嵌入 英語
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一個英文句子轉換器模型,專注於句子相似度任務,在多個文本嵌入基準測試中表現優異。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一個多語言的句子嵌入模型,支持超過50種語言,適用於句子相似度計算等任務。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一個化學語言模型,旨在實現完全由機器驅動的超快聚合物信息學。它將PSMILES字符串映射為600維密集指紋,以數值形式表示聚合物化學結構。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基於土耳其語BERT的句子嵌入模型,專為語義相似度任務優化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基於BAAI/bge-small-en-v1.5模型微調的文本嵌入模型,通過MEDI數據集與MTEB分類任務數據集訓練,優化了檢索任務的查詢編碼能力。
文本嵌入
Safetensors 英語
G
avsolatorio
945.68k
29
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98