Indosbert Large

🚀 indoSBERT-large

indoSBERT-large 是一个基于 sentence-transformers 的模型，它能够将句子和段落映射到 256 维的密集向量空间，可用于聚类或语义搜索等任务。该模型是对 https://huggingface.co/indobenchmark/indobert-large-p1 进行修改，并借鉴 SBERT（Reimers 等人，2019）的孪生网络方案进行微调得到的。它使用机器翻译为印尼语的 STS 数据集（2012 - 2016）进行微调，能够为印尼语句子提供有意义的语义句嵌入。

🚀 快速开始

当你安装了 sentence-transformers 后，使用这个模型就变得很简单：

pip install -U sentence-transformers

然后你可以像这样使用该模型：

from sentence_transformers import SentenceTransformer
sentences = ["Komposer favorit saya adalah Joe Hisaishi", "Sapo tahu enak banget"]

model = SentenceTransformer('denaya/indoSBERT-large')
embeddings = model.encode(sentences)
print(embeddings)

✨ 主要特性

• 语义映射：将句子和段落映射到 256 维的密集向量空间。
• 多任务适用：可用于聚类、语义搜索等任务。
• 印尼语适配：针对印尼语进行微调，能为印尼语句子提供有效的语义句嵌入。

📦 安装指南

安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法

from sentence_transformers import SentenceTransformer
sentences = ["Komposer favorit saya adalah Joe Hisaishi", "Sapo tahu enak banget"]

model = SentenceTransformer('denaya/indoSBERT-large')
embeddings = model.encode(sentences)
print(embeddings)

🔧 技术细节

训练参数

数据加载器

torch.utils.data.dataloader.DataLoader，长度为 1291，参数如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() 方法的参数

{
    "epochs": 50,
    "evaluation_steps": 1,
    "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": 100,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
  (2): Dense({'in_features': 1024, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

📄 许可证

文档中未提及相关许可证信息。

📚 引用与作者

@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",
}

@article{author = {Diana, Denaya}, 
    title = {IndoSBERT: Indonesian SBERT for Semantic Textual Similarity tasks}, 
    year = {2023}, 
    url = {https://huggingface.co/denaya/indoSBERT-large}
}