Sentest

🚀 基于google-bert/bert-base-uncased的句子转换器

这是一个基于 sentence-transformers 框架，从 google-bert/bert-base-uncased 微调而来的模型。它能够将句子和段落映射到一个768维的密集向量空间，可用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等任务。

🚀 快速开始

直接使用（Sentence Transformers）

首先，安装 Sentence Transformers 库：

pip install -U sentence-transformers

然后，你可以加载这个模型并进行推理：

from sentence_transformers import SentenceTransformer

# 从 🤗 Hub 下载
model = SentenceTransformer("palusi/sentest")
# 运行推理
sentences = [
    'How can I open my computer if I forget my password?',
    'I forget my PC password what should I do to open it?',
    'I forgot my security code on my Nokia 206 how can I unlock it?',
]
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]

✨ 主要特性

• 多用途：可用于语义文本相似度计算、语义搜索、释义挖掘、文本分类、聚类等多种自然语言处理任务。
• 微调模型：基于 google-bert/bert-base-uncased 进行微调，能更好地适应特定任务。
• 高准确率：在 sentest 数据集上的余弦准确率达到 0.9883。

📦 安装指南

若要使用该模型，需安装 Sentence Transformers 库，可通过以下命令进行安装：

pip install -U sentence-transformers

📚 详细文档

模型详情

模型描述

模型来源

• 文档：Sentence Transformers 文档
• 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': 512, 'do_lower_case': False}) 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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

评估

指标

三元组

• 数据集：sentest
• 使用 TripletEvaluator 进行评估

训练详情

训练数据集

qqp_triplets

• 数据集：qqp_triplets，版本为 f475d9c
• 大小：101,762 个训练样本
• 列：anchor、positive 和 negative
• 基于前 1000 个样本的近似统计信息：

  	锚点	正样本	负样本
  类型	字符串	字符串	字符串
  详情	最小值：6 个词元 平均值：13.96 个词元 最大值：54 个词元	最小值：5 个词元 平均值：13.99 个词元 最大值：52 个词元	最小值：6 个词元 平均值：14.49 个词元 最大值：73 个词元

• 样本：

  锚点	正样本	负样本
  Who are Mona Punjabi?	Who are Mona punjabis?	Why are Punjabis so proud of their Punjabi-hood?
  What are some of the best books on/by Bill Gates?	What are the best books of Bill Gates?	Are there any films about Bill Gates?
  Where can I get best pasta in Bangalore?	Where can I get best pasta in Bangalore ?	Where can I get best street food in Bangalore?

• 损失函数：TripletLoss，参数如下：

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

评估数据集

qqp_triplets

• 数据集：qqp_triplets，版本为 f475d9c
• 大小：101,762 个评估样本
• 列：anchor、positive 和 negative
• 基于前 1000 个样本的近似统计信息：

  	锚点	正样本	负样本
  类型	字符串	字符串	字符串
  详情	最小值：6 个词元 平均值：13.99 个词元 最大值：61 个词元	最小值：6 个词元 平均值：13.76 个词元 最大值：49 个词元	最小值：6 个词元 平均值：14.75 个词元 最大值：78 个词元

• 样本：

  锚点	正样本	负样本
  How do l study efficiently?	How do you study effectively?	Why can't I study efficiently?
  How do you commit suicide?	What is the easiest way to commite suicide?	What is a way to commit suicide and not damaging your organs so that they can be donated?
  How do you learn to speak a foreign language?	What is the quickest way a person can learn to speak a new language fluently?	What's the easiest foreign language for a native English speaker, living in America, to learn to speak?

• 损失函数：TripletLoss，参数如下：

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

训练超参数

非默认超参数

• eval_strategy：按步数评估
• per_device_train_batch_size：16
• per_device_eval_batch_size：16
• learning_rate：2e-05
• weight_decay：0.01
• num_train_epochs：1
• warmup_ratio：0.1
• fp16：True
• load_best_model_at_end：True
• push_to_hub：True
• hub_model_id：palusi/sentest
• batch_sampler：无重复采样

所有超参数

训练日志

• 加粗行表示保存的检查点。

框架版本

• Python：3.11.11
• Sentence Transformers：3.4.1
• Transformers：4.48.2
• PyTorch：2.5.1+cu124
• Accelerate：1.3.0
• Datasets：3.2.0
• Tokenizers：0.21.0

📄 许可证

文档中未提及相关许可证信息。

🔧 技术细节

该模型基于 google-bert/bert-base-uncased 进行微调，使用 TripletLoss 损失函数进行训练。在训练过程中，使用了三元组数据，通过最小化锚点与正样本之间的距离，同时最大化锚点与负样本之间的距离，来学习句子的嵌入表示。模型的输出是一个 768 维的向量，可用于计算句子之间的相似度。

📄 引用

BibTeX

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",
}

TripletLoss

@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}
}