Text2vec Bge Large Chinese

🚀 shibing624/text2vec-bge-large-chinese

这是一个CoSENT（余弦句子）模型：shibing624/text2vec-bge-large-chinese。它能将句子映射到一个1024维的密集向量空间，可用于句子嵌入、文本匹配或语义搜索等任务。

🚀 快速开始

若要使用此模型，你可以通过以下两种方式进行：

使用text2vec库

首先安装 text2vec：

pip install -U text2vec

然后按如下方式使用模型：

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

model = SentenceModel('shibing624/text2vec-bge-large-chinese')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

若未安装 text2vec，你可以按以下步骤操作。首先安装transformers库：

pip install transformers

接着加载模型并进行预测：

from transformers import BertTokenizer, BertModel
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)

# Load model from HuggingFace Hub
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-bge-large-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-bge-large-chinese')
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
# 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)

使用sentence-transformers库

sentence-transformers 是一个流行的用于计算句子密集向量表示的库。首先安装它：

pip install -U sentence-transformers

然后加载模型并进行预测：

from sentence_transformers import SentenceTransformer

m = SentenceTransformer("shibing624/text2vec-bge-large-chinese")
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

sentence_embeddings = m.encode(sentences)
print("Sentence embeddings:")
print(sentence_embeddings)

✨ 主要特性

• 向量映射：能将句子映射到1024维的密集向量空间。
• 多任务适用：可用于句子嵌入、文本匹配或语义搜索等任务。
• 效果提升：在中文测试集评估中，相对于原模型效果有提升，在短文本区分度上提升明显。

📦 安装指南

若使用 text2vec 库，可通过以下命令安装：

pip install -U text2vec

若使用HuggingFace Transformers库，安装命令如下：

pip install transformers

若使用sentence-transformers库，安装命令为：

pip install -U sentence-transformers

💻 使用示例

基础用法

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

model = SentenceModel('shibing624/text2vec-bge-large-chinese')
embeddings = model.encode(sentences)
print(embeddings)

📚 详细文档

模型信息

评估

要对该模型进行自动评估，请参考 评估基准：text2vec。

发布模型

本项目release模型的中文匹配评测结果如下：

说明：

• 结果评测指标：spearman系数。
• shibing624/text2vec-base-chinese 模型，是用CoSENT方法训练，基于hfl/chinese-macbert-base在中文STS - B数据训练得到，并在中文STS - B测试集评估达到较好效果，运行 examples/training_sup_text_matching_model.py 代码可训练模型，模型文件已经上传HF model hub，中文通用语义匹配任务推荐使用。
• shibing624/text2vec-base-chinese-sentence 模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 训练得到，并在中文各NLI测试集评估达到较好效果，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2s（句子vs句子）语义匹配任务推荐使用。
• shibing624/text2vec-base-chinese-paraphrase 模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset，数据集相对于 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 加入了s2p（sentence to paraphrase）数据，强化了其长文本的表征能力，并在中文各NLI测试集评估达到SOTA，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2p（句子vs段落）语义匹配任务推荐使用。
• shibing624/text2vec-base-multilingual 模型，是用CoSENT方法训练，基于sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2用人工挑选后的多语言STS数据集 shibing624/nli-zh-all/text2vec-base-multilingual-dataset 训练得到，并在中英文测试集评估相对于原模型效果有提升，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，多语言语义匹配任务推荐使用。
• shibing624/text2vec-bge-large-chinese 模型，是用CoSENT方法训练，基于BAAI/bge-large-zh-noinstruct用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset 训练得到，并在中文测试集评估相对于原模型效果有提升，在短文本区分度上提升明显，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2s（句子vs句子）语义匹配任务推荐使用。
• w2v-light-tencent-chinese 是腾讯词向量的Word2Vec模型，CPU加载使用，适用于中文字面匹配任务和缺少数据的冷启动情况。
• 各预训练模型均可以通过transformers调用，如MacBERT模型：--model_name hfl/chinese-macbert-base 或者roberta模型：--model_name uer/roberta-medium-wwm-chinese-cluecorpussmall。
• 为测评模型的鲁棒性，加入了未训练过的SOHU测试集，用于测试模型的泛化能力；为达到开箱即用的实用效果，使用了搜集到的各中文匹配数据集，数据集也上传到HF datasets链接见下方。
• 中文匹配任务实验表明，pooling最优是EncoderType.FIRST_LAST_AVG和EncoderType.MEAN，两者预测效果差异很小。
• 中文匹配评测结果复现，可以下载中文匹配数据集到examples/data，运行 tests/model_spearman.py 代码复现评测结果。
• QPS的GPU测试环境是Tesla V100，显存32GB。

模型训练实验报告：实验报告

模型架构

CoSENT(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: ErnieModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_mean_tokens': True})
)

预期用途

本模型旨在作为句子和短段落编码器使用。给定输入文本，它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，输入文本长度超过256个词块时会被截断。

训练过程

预训练

使用预训练模型 https://huggingface.co/BAAI/bge-large-zh-noinstruct。有关预训练过程的更多详细信息，请参考该模型的说明文档。

微调

使用对比目标对模型进行微调。具体来说，计算批次中每个可能句子对的余弦相似度，然后通过与真实对和虚假对进行比较来应用排序损失。

🔧 技术细节

模型训练

• 预训练：采用了预训练模型 https://huggingface.co/BAAI/bge-large-zh-noinstruct 作为基础。
• 微调：运用对比目标进行微调，计算批次内句子对的余弦相似度，并通过与真实和虚假对比较应用排序损失。

评估指标

使用spearman系数作为评测指标，用于评估模型在中文匹配任务中的性能。

📄 许可证

本模型使用的许可证为Apache - 2.0。

引用与作者

本模型由 text2vec 训练。如果你觉得该模型有帮助，请参考以下引用：

@software{text2vec,
  author = {Ming Xu},
  title = {text2vec: A Tool for Text to Vector},
  year = {2023},
  url = {https://github.com/shibing624/text2vec},
}