Keyphrase Mpnet V1

🚀 keyphrase-mpnet-v1

这是一个专门用于短语处理的 sentence-transformers 模型。它能将短语映射到一个 768 维的密集向量空间，可用于聚类或语义搜索等任务。在原论文中，该模型用于计算关键短语模型基于语义的评估指标。

此模型基于 sentence-transformers/all-mpnet-base-v2，并使用 SimCSE 在 100 万个关键短语数据上进行了进一步微调。

🚀 快速开始

本模型可用于将短语映射到 768 维的密集向量空间，以完成聚类或语义搜索等任务。

✨ 主要特性

• 专门针对短语处理进行优化。
• 基于 sentence-transformers/all-mpnet-base-v2 模型微调。
• 可用于计算关键短语模型基于语义的评估指标。

📦 安装指南

若要使用此模型，需安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer
phrases = ["information retrieval", "text mining", "natural language processing"]

model = SentenceTransformer('uclanlp/keyphrase-mpnet-v1')
embeddings = model.encode(phrases)
print(embeddings)

高级用法（HuggingFace Transformers）

在未安装 sentence-transformers 的情况下，可按如下方式使用该模型：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
phrases = ["information retrieval", "text mining", "natural language processing"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('uclanlp/keyphrase-mpnet-v1')
model = AutoModel.from_pretrained('uclanlp/keyphrase-mpnet-v1')

# Tokenize sentences
encoded_input = tokenizer(phrases, 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("Phrase embeddings:")
print(sentence_embeddings)

📚 详细文档

训练数据

该模型在来自四个关键短语数据集的短语上进行训练，这些数据集涵盖了广泛的领域。

训练参数

• DataLoader： torch.utils.data.dataloader.DataLoader，长度为 2025，参数如下：

  {'batch_size': 512, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• Loss： sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

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

• fit() 方法参数：

  {
      "epochs": 1,
      "evaluation_steps": 0,
      "evaluator": "NoneType",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
      "optimizer_params": {
          "lr": 1e-06
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": null,
      "warmup_steps": 203,
      "weight_decay": 0.01
  }
  

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 12, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (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})
)

🔧 技术细节

本模型基于 sentence-transformers/all-mpnet-base-v2 进行微调，使用了 SimCSE 方法在 100 万个关键短语数据上进行训练。通过将短语映射到 768 维的密集向量空间，实现了对短语的有效处理，可用于聚类、语义搜索以及计算关键短语模型基于语义的评估指标等任务。

📄 许可证

文档中未提及许可证相关信息。

📚 引用与作者

论文：KPEval: Towards Fine-grained Semantic-based Keyphrase Evaluation

@inproceedings{wu-etal-2024-kpeval,
    title = "{KPE}val: Towards Fine-Grained Semantic-Based Keyphrase Evaluation",
    author = "Wu, Di  and
      Yin, Da  and
      Chang, Kai-Wei",
    editor = "Ku, Lun-Wei  and
      Martins, Andre  and
      Srikumar, Vivek",
    booktitle = "Findings of the Association for Computational Linguistics ACL 2024",
    month = aug,
    year = "2024",
    address = "Bangkok, Thailand and virtual meeting",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2024.findings-acl.117",
    pages = "1959--1981",
}