Veriscrape Book Test Sbert Bs128 Lr5e 05 Ep3 Euclidean Sntrue Spfalse Hn1

🚀 基于Alibaba-NLP/gte-base-en-v1.5的句子转换器

这是一个基于Alibaba-NLP/gte-base-en-v1.5微调的sentence-transformers模型。它可以将句子和段落映射到768维的密集向量空间，可用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等任务。

🚀 快速开始

本模型可用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等任务。以下将介绍如何安装依赖库并使用该模型进行推理。

✨ 主要特性

• 高维向量映射：将句子和段落映射到768维的密集向量空间。
• 多任务支持：可用于语义文本相似度、语义搜索、释义挖掘、文本分类、聚类等多种任务。

📦 安装指南

首先，你需要安装Sentence Transformers库：

pip install -U sentence-transformers

💻 使用示例

基础用法

安装完成后，你可以加载模型并进行推理：

from sentence_transformers import SentenceTransformer

# 从🤗 Hub下载模型
model = SentenceTransformer("albertus-sussex/veriscrape-book-test-sbert-bs128_lr5e-05_ep3_euclidean_snTrue_spFalse_hn1")
# 进行推理
sentences = [
    'Midnight',
    'The Bone Parade',
    '12/01/2005',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# 获取嵌入向量的相似度分数
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

📚 详细文档

模型详情

模型描述

模型来源

• 文档：Sentence Transformers文档
• 代码仓库：GitHub上的Sentence Transformers
• Hugging Face：Hugging Face上的Sentence Transformers

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

评估

三元组评估

使用TripletEvaluator进行评估：

轮廓系数评估

使用 veriscrape.training.SilhouetteEvaluator 进行评估：

再次三元组评估

使用TripletEvaluator进行评估：

再次轮廓系数评估

使用 veriscrape.training.SilhouetteEvaluator 进行评估：

训练详情

训练数据集

• 未命名数据集
  • 规模：84,524个训练样本
  • 列名：anchor、positive、negative、pos_attr_name 和 neg_attr_name
  • 基于前1000个样本的近似统计信息：

    	anchor	positive	negative	pos_attr_name	neg_attr_name
    类型	字符串	字符串	字符串	字符串	字符串
    详情	最小值：3个词元 平均值：6.97个词元 最大值：37个词元	最小值：3个词元 平均值：7.09个词元 最大值：28个词元	最小值：3个词元 平均值：6.31个词元 最大值：23个词元	最小值：3个词元 平均值：3.77个词元 最大值：5个词元	最小值：3个词元 平均值：3.8个词元 最大值：5个词元

  • 样本示例：

    anchor	positive	negative	pos_attr_name	neg_attr_name
    09/01/1997	12/01/1977	2010	publication_date	title
    9780060275730	9780829748772	HarperCollins Publishers Ltd	isbn_13	publisher
    9780609809648	9780764551956	HarperCollins Publishers	isbn_13	author

  • 损失函数：veriscrape.training.AttributeTripletLoss，参数如下：

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

评估数据集

• 未命名数据集
  • 规模：9,392个评估样本
  • 列名：anchor、positive、negative、pos_attr_name 和 neg_attr_name
  • 基于前1000个样本的近似统计信息：

    	anchor	positive	negative	pos_attr_name	neg_attr_name
    类型	字符串	字符串	字符串	字符串	字符串
    详情	最小值：3个词元 平均值：6.85个词元 最大值：27个词元	最小值：3个词元 平均值：6.98个词元 最大值：44个词元	最小值：3个词元 平均值：6.08个词元 最大值：18个词元	最小值：3个词元 平均值：3.75个词元 最大值：5个词元	最小值：3个词元 平均值：3.8个词元 最大值：5个词元

  • 样本示例：

    anchor	positive	negative	pos_attr_name	neg_attr_name
    9780764200564	: 9780590458467	1984	isbn_13	publication_date
    Penguin Group USA	Signet	9781600243912	publisher	isbn_13
    Alphabet Juice	Space	9780807871133	title	isbn_13

  • 损失函数：veriscrape.training.AttributeTripletLoss，参数如下：

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

训练超参数

非默认超参数

• eval_strategy：按轮次评估
• per_device_train_batch_size：128
• per_device_eval_batch_size：128
• warmup_ratio：0.1

所有超参数

训练日志

框架版本

• Python：3.10.16
• Sentence Transformers：3.4.1
• Transformers：4.45.2
• PyTorch：2.5.1+cu124
• Accelerate：1.5.2
• Datasets：3.1.0
• Tokenizers：0.20.3

📄 许可证

文档中未提及相关许可证信息。

🔧 技术细节

引用

Sentence Transformers

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}

AttributeTripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}