St Greek Media Longformer 4096

🚀 希腊媒体SLF（句子长序列Transformer）

这是一个基于希腊媒体长序列Transformer模型的句子Transformer：它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。

🚀 快速开始

✨ 主要特性

• 支持希腊语，基于希腊媒体长序列Transformer模型。
• 能够将句子和段落映射到768维的密集向量空间。
• 可用于聚类、语义搜索等任务。

📦 安装指南

若要使用该模型，需先安装sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法

使用sentence-transformers库调用模型：

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

model = SentenceTransformer('dimitriz/st-greek-media-longformer-4096')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

若未安装sentence-transformers库，可按以下方式使用模型：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('dimitriz/st-greek-media-longformer-4096')
model = AutoModel.from_pretrained('dimitriz/st-greek-media-longformer-4096')

# 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

若要对该模型进行自动化评估，请参考 句子嵌入基准测试：https://seb.sbert.net

训练过程

该模型在一个自定义数据集上进行训练，该数据集包含来自希腊“互联网”、“社交媒体”和“新闻”领域的三元组，相关内容在论文DACL中有详细描述。

• 数据集通过从同一领域中采样句子三元组创建，其中前两个句子比第三个句子更相似。
• 训练目标是最大化前两个句子之间的相似度，并最小化第一个和第三个句子之间的相似度。
• 模型训练了3个epoch，批次大小为2，最大序列长度为4096个标记。
• 模型在单个拥有48GB内存的NVIDIA RTX A6000 GPU上进行训练。

模型训练使用的参数如下： 数据加载器： torch.utils.data.dataloader.DataLoader，长度为172897，参数如下：

{'batch_size': 1, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

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

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

fit()方法的参数：

{
    "epochs": 3,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.TripletEvaluator.TripletEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 17290,
    "weight_decay": 0.01
}

🔧 技术细节

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 4096, 'do_lower_case': False}) with Transformer model: LongformerModel
  (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})
)

📄 许可证

引用与作者

该模型随论文 "From Pre-training to Meta-Learning: A journey in Low-Resource-Language Representation Learning" 正式发布。作者为Dimitrios Zaikis和Ioannis Vlahavas，发表于IEEE Access。

如果使用该模型，请引用以下内容：

@ARTICLE{10288436,
    author =  {Zaikis, Dimitrios and Vlahavas, Ioannis},
    journal = {IEEE Access},
    title =   {From Pre-training to Meta-Learning: A journey in Low-Resource-Language Representation Learning},
    year =    {2023},
    volume =  {},
    number =  {},
    pages =   {1-1},
    doi =     {10.1109/ACCESS.2023.3326337}
  }

信息表格