🚀 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
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)
phrases = ["information retrieval", "text mining", "natural language processing"]
tokenizer = AutoTokenizer.from_pretrained('uclanlp/keyphrase-mpnet-v1')
model = AutoModel.from_pretrained('uclanlp/keyphrase-mpnet-v1')
encoded_input = tokenizer(phrases, 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("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",
}