Simcse Roberta Base Zh

🚀 SimCSE(sup)

SimCSE(sup) 是一个用于句子相似度任务的模型。它基于特定的语言模型，在多个中文数据集上进行评估，能够将句子编码为嵌入向量，并计算句子之间的余弦相似度。

🚀 快速开始

本模型可用于将句子编码为嵌入向量，还能计算两个句子之间的余弦相似度。以下是使用示例：

import torch
from transformers import BertTokenizer
from transformers import BertModel
from sklearn.metrics.pairwise import cosine_similarity

# model
simcse_sup_path = "hellonlp/simcse-roberta-base-zh"
tokenizer = BertTokenizer.from_pretrained(simcse_sup_path)
MODEL = BertModel.from_pretrained(simcse_sup_path)

def get_vector_simcse(sentence):
    """
    预测simcse的语义向量。
    """
    input_ids = torch.tensor(tokenizer.encode(sentence)).unsqueeze(0)
    output = MODEL(input_ids)
    return output.last_hidden_state[:, 0].squeeze(0)

embeddings = get_vector_simcse("武汉是一个美丽的城市。")
print(embeddings.shape)
#torch.Size([768])

def get_similarity_two(sentence1, sentence2):
    vec1 = get_vector_simcse(sentence1).tolist()
    vec2 = get_vector_simcse(sentence2).tolist()
    similarity_list = cosine_similarity([vec1], [vec2]).tolist()[0][0]
    return similarity_list

sentence1 = '你好吗'
sentence2 = '你还好吗'
result = get_similarity_two(sentence1,sentence2)
print(result) #0.7996
#(1.0, '你好吗')
#(0.8247, '你好不好')
#(0.8217, '你现在好吗')
#(0.7976, '你还好吗')
#(0.7918, '你好不好呢')
#(0.712, '你过的好吗')
#(0.6986, '你怎么样')
#(0.6693, '你')
#(0.5442, '你好个鬼')
#(0.4516, '你吃饭了吗')
#(0.4, '我好开心啊')
#(0.29, '我不开心')
#(0.2782, '我吃了一个苹果')

📦 数据集列表

以下数据集均为中文数据集：

📊 模型列表

评估数据集为中文，我们在不同方法上使用了相同的语言模型 RoBERTa base。此外，考虑到部分数据集的测试集规模较小，可能导致评估准确性偏差较大，这里的评估数据同时使用了训练集、验证集和测试集，最终评估结果采用 加权平均 (w - avg) 方法。

📄 许可证

本项目采用 MIT 许可证。