🚀 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
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0]
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 = ['This is an example sentence', 'Each sentence is converted']
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input)
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。
STS-ca(皮尔逊相关系数) |
Parafraseja(准确率) |
PAWS-ca(准确率) |
0.65 |
0.72 |
0.65 |
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。