All Mpnet Base V2 Negation

🚀 all-mpnet-base-v2-negation

本模型是一个经过微调的 sentence-transformers 模型，在处理否定句对时表现更优。它能够将句子和段落映射到 768 维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

安装依赖

使用该模型，需要安装 sentence-transformers：

pip install -U sentence-transformers

使用示例

基础用法

from sentence_transformers import SentenceTransformer

sentences = [
    "I like rainy days because they make me feel relaxed.",
    "I don't like rainy days because they don't make me feel relaxed."
]

model = SentenceTransformer('dmlls/all-mpnet-base-v2-negation')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

若未安装 sentence-transformers，可以按以下方式使用该模型：首先将输入传递给变压器模型，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
import torch.nn.functional as F

# 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 = [
    "I like rainy days because they make me feel relaxed.",
    "I don't like rainy days because they don't make me feel relaxed."
]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('dmlls/all-mpnet-base-v2-negation')
model = AutoModel.from_pretrained('dmlls/all-mpnet-base-v2-negation')

# 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
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# Normalize embeddings
sentence_embeddings = F.normalize(sentence_embeddings, p=2, dim=1)

print(sentence_embeddings)

📚 详细文档

背景

本模型是在 This is not correct! Negation-aware Evaluation of Language Generation Systems 论文的背景下进行微调的。

预期用途

我们的模型旨在用作句子和短段落编码器，与基础模型相比，在处理否定句对时表现出色（即报告较低的相似度分数）。

给定输入文本，模型会输出一个捕获语义信息的向量。该句子向量可用于信息检索、聚类或句子相似度任务。

默认情况下，超过 384 个词块的输入文本将被截断。

训练过程

预训练

我们使用 sentence-transformers/all-mpnet-base-v2 作为基础模型。

微调

我们使用对比目标在 CANNOT 数据集 上对模型进行了微调。具体来说，我们计算批次中每个可能的句子对的余弦相似度，然后通过与真实对进行比较来应用交叉熵损失。

超参数

我们采用了与 其他 Sentence Transformers 的训练方式 类似的方法。我们将 CANNOT 数据集中的前 90% 样本作为训练集。 我们使用了 64 的批次大小，并训练了 1 个 epoch。

🔧 技术细节

模型指标

训练数据

• s2orc
• flax-sentence-embeddings/stackexchange_xml
• ms_marco
• gooaq
• yahoo_answers_topics
• code_search_net
• search_qa
• eli5
• snli
• multi_nli
• wikihow
• natural_questions
• trivia_qa
• embedding-data/sentence-compression
• embedding-data/flickr30k-captions
• embedding-data/altlex
• embedding-data/simple-wiki
• embedding-data/QQP
• embedding-data/SPECTER
• embedding-data/PAQ_pairs
• embedding-data/WikiAnswers
• tum-nlp/cannot-dataset

📄 许可证

本项目采用 Apache-2.0 许可证。