ST NLI Ca Paraphrase Multilingual Mpnet Base

🚀 ST-NLI-ca_paraphrase-multilingual-mpnet-base

这是一个 sentence-transformers 模型：它可以将句子和段落映射到一个 768 维的密集向量空间，可用于聚类或语义搜索等任务。

该模型是在多语言微调模型 paraphrase-multilingual-mpnet-base-v2 的基础上，使用自然语言推理（NLI）数据进一步训练得到的。具体来说，它在两个加泰罗尼亚语 NLI 数据集上进行了训练：TE-ca 以及专业翻译的加泰罗尼亚语版 XNLI 数据集。训练过程中采用了带有难负样本的多负样本排序损失函数，该函数利用由前提、蕴含假设和矛盾假设组成的三元组进行训练。需要注意的是，由于这种训练方式，NLI 数据集中的中立假设未用于训练。此外，作为一种数据增强方式，模型的训练集通过复制三元组进行了扩展，其中前提和蕴含假设的顺序被颠倒，最终得到了总共 18,928 个三元组。

🚀 快速开始

本模型可以借助 sentence-transformers 或 HuggingFace Transformers 来使用。

📦 安装指南

若要使用此模型，需先安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

安装好 sentence-transformers 后，你可以这样使用该模型：

from sentence_transformers import SentenceTransformer, util
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（Sentence-Transformers）

例如，要根据句子与参考句子的相似度对句子列表进行排序，可以使用以下代码：

reference_sent = "Avui és un bon dia."
sentences = [
    "M'agrada el dia que fa.",
    "Tothom té un mal dia.",
    "És dijous.",
    "Fa un dia realment dolent",
]

reference_sent_embedding = model.encode(reference_sent)
similarity_scores = {}
for sentence in sentences:
    sent_embedding = model.encode(sentence)
    cosine_similarity = util.pytorch_cos_sim(reference_sent_embedding, sent_embedding)
    similarity_scores[float(cosine_similarity.data[0][0])] = sentence

print(f"Sentences in order of similarity to '{reference_sent}' (from max to min):")
for i, (cosine_similarity,sent) in enumerate(dict(sorted(similarity_scores.items(), reverse=True)).items()):
    print(f"{i}) '{sent}': {cosine_similarity}")

基础用法（HuggingFace Transformers）

若未安装 sentence-transformers，你可以按以下方式使用该模型：首先将输入传递给 Transformer 模型，然后对上下文词嵌入应用正确的池化操作。

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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# 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)

📚 详细文档

评估结果

我们在加泰罗尼亚语语义文本相似度测试集（STS-ca）以及两个加泰罗尼亚语释义识别任务上对模型进行了评估：Parafraseja 和专业翻译的加泰罗尼亚语版 PAWS 数据集。

训练

模型使用以下参数进行训练：

数据加载器： sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，长度为 147，参数如下：

{'batch_size': 128}

损失函数： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit() 方法的参数：

{
    "epochs": 1,
    "evaluation_steps": 14,
    "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": null,
    "warmup_steps": 15,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

引用与作者

如需进一步信息，请发送邮件至 aina@bsc.es。