Kf Deberta Multitask

🚀 kf-deberta-multitask

kf-deberta-multitask 是一个 sentence-transformers 模型，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。你可以在 GitHub 上查看训练配方。

🚀 快速开始

本模型可以通过 sentence-transformers 库或 HuggingFace Transformers 库使用，下面将分别介绍使用方法。

✨ 主要特性

• 多任务学习：使用 KorSTS 和 KorNLI 训练数据集进行多任务学习，在语义相似度任务上表现出色。
• 高维向量映射：能够将句子和段落映射到 768 维的密集向量空间。
• 广泛适用性：可用于聚类、语义搜索等多种自然语言处理任务。

📦 安装指南

如果你使用 sentence-transformers 库，可通过以下命令安装：

pip install -U sentence-transformers

💻 使用示例

基础用法（Sentence-Transformers）

from sentence_transformers import SentenceTransformer
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

model = SentenceTransformer("upskyy/kf-deberta-multitask")
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

如果不使用 sentence-transformers 库，你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 = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("upskyy/kf-deberta-multitask")
model = AutoModel.from_pretrained("upskyy/kf-deberta-multitask")

# 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

本模型在 KorSTS 和 KorNLI 训练数据集上进行多任务学习后，使用 KorSTS 评估数据集进行评估，结果如下：

• 余弦相似度皮尔逊相关系数：85.75
• 余弦相似度斯皮尔曼相关系数：86.25
• 曼哈顿距离皮尔逊相关系数：84.80
• 曼哈顿距离斯皮尔曼相关系数：85.27
• 欧几里得距离皮尔逊相关系数：84.79
• 欧几里得距离斯皮尔曼相关系数：85.25
• 点积相似度皮尔逊相关系数：82.93
• 点积相似度斯皮尔曼相关系数：82.86

训练参数

本模型的训练参数如下：

数据加载器 1

sentence_transformers.datasets.NoDuplicatesDataLoader.NoDuplicatesDataLoader，长度为 4442，参数如下：

{'batch_size': 128}

损失函数 1

sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss，参数如下：

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

数据加载器 2

torch.utils.data.dataloader.DataLoader，长度为 719，参数如下：

{'batch_size': 8, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数 2

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

拟合方法参数

{
    "epochs": 10,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 719,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: DebertaV2Model 
  (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})
)

引用与作者

@proceedings{jeon-etal-2023-kfdeberta,
  title         = {KF-DeBERTa: Financial Domain-specific Pre-trained Language Model},
  author        = {Eunkwang Jeon, Jungdae Kim, Minsang Song, and Joohyun Ryu},
  booktitle     = {Proceedings of the 35th Annual Conference on Human and Cognitive Language Technology},
  moth          = {oct},
  year          = {2023},
  publisher     = {Korean Institute of Information Scientists and Engineers},
  url           = {http://www.hclt.kr/symp/?lnb=conference},
  pages         = {143--148},
}

@article{ham2020kornli,
  title={KorNLI and KorSTS: New Benchmark Datasets for Korean Natural Language Understanding},
  author={Ham, Jiyeon and Choe, Yo Joong and Park, Kyubyong and Choi, Ilji and Soh, Hyungjoon},
  journal={arXiv preprint arXiv:2004.03289},
  year={2020}
}