Bert Base Uncased Xnli Sts Finetuned Education

🚀 inokufu/bertheo-en

这是一个基于sentence-transformers的模型，在课程句子上进行了微调。它能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

本模型可通过两种方式使用，分别是借助 sentence-transformers 库和直接使用 HuggingFace Transformers。以下是详细的使用步骤。

✨ 主要特性

• 多阶段微调：该模型基于英文的 bert-base-uncased 预训练模型，先在学习对象（LO）句子数据集上微调，接着在自然语言推理任务（XNLI）和文本语义相似性任务（STS数据）上进行微调，使其在特定领域的语义表示能力远超基础模型。
• 广泛应用：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、语义搜索等多种自然语言处理任务。

📦 安装指南

若要使用 sentence-transformers 库来调用此模型，需先安装该库：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

当你安装了 sentence-transformers 后，使用该模型会变得十分简单：

from sentence_transformers import SentenceTransformer
sentences = ["Learn to code in python", "Become an expert in accounting"]

model = SentenceTransformer('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

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 = ["Learn to code in python", "Become an expert in accounting"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')
model = AutoModel.from_pretrained('inokufu/bert-base-uncased-xnli-sts-finetuned-education')

# 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

STS（英文）得分：84.61%

模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (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})
)

参考资料

[1] https://huggingface.co/bert-base-uncased
[2] https://arxiv.org/abs/1810.04805
[3] https://arxiv.org/abs/1809.05053
[4] https://huggingface.co/datasets/stsb_multi_mt

🔧 技术细节

本模型基于英文的 bert-base-uncased 预训练模型 [1, 2] 构建。其微调过程分为三个阶段：

1. 学习对象（LO）句子数据集微调：使用包含500k条课程描述句子的样本数据集，按照原始BERT论文 [2] 中提到的标准参数设置进行微调，以提升模型在特定领域句子的目标任务（掩码语言模型）上的性能。
2. 自然语言推理任务（XNLI）微调：训练模型识别句子之间的关系（矛盾、中立、蕴含），进一步增强模型的语义理解能力。
3. 文本语义相似性任务（STS数据）微调：训练模型估计两个句子之间的相似度，使模型能够更好地捕捉句子的语义信息。

通过这三个阶段的微调，模型在特定领域的语义表示能力得到了显著提升。

📄 许可证

文档未提及许可证相关信息。

📋 模型信息