German Semantic STS V2

🚀 German_Semantic_STS_V2

该模型用于创建适用于语义场景的德语嵌入向量。它能将句子和段落映射到一个1024维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

使用sentence-transformers库

若你已安装 sentence-transformers，使用此模型将十分便捷：

pip install -U sentence-transformers

然后，你可以按如下方式使用该模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('aari1995/German_Semantic_STS_V2')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

若未安装 sentence-transformers，你可以按以下方式使用该模型：首先，将输入数据传入Transformer模型，然后对上下文词嵌入应用合适的池化操作。

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 = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('aari1995/German_Semantic_STS_V2')
model = AutoModel.from_pretrained('aari1995/German_Semantic_STS_V2')

# 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)

✨ 主要特性

• 该模型基于 sentence-transformers，可将句子和段落映射到1024维的密集向量空间。
• 适用于聚类、语义搜索等语义相关任务。
• 微调后的模型得分优于其他对比模型。

📦 安装指南

使用 sentence-transformers 库时，可通过以下命令进行安装：

pip install -U sentence-transformers

📚 详细文档

评估结果

若要对该模型进行自动评估，请参考 Sentence Embeddings Benchmark：https://seb.sbert.net

训练

该模型的训练参数如下：

• 数据加载器（DataLoader）： torch.utils.data.dataloader.DataLoader，长度为1438，参数如下：

  {'batch_size': 4, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}
  

• 损失函数（Loss）： sentence_transformers.losses.ContrastiveLoss.ContrastiveLoss，参数如下：

  {'distance_metric': 'SiameseDistanceMetric.COSINE_DISTANCE', 'margin': 0.5, 'size_average': True}
  

• fit() 方法的参数：

  {
      "epochs": 4,
      "evaluation_steps": 500,
      "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
      "max_grad_norm": 1,
      "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
      "optimizer_params": {
          "lr": 5e-06
      },
      "scheduler": "WarmupLinear",
      "steps_per_epoch": null,
      "warmup_steps": 576,
      "weight_decay": 0.01
  }
  

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': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

🔧 技术细节

该模型创建德语嵌入向量用于语义场景。它将句子和段落映射到1024维的密集向量空间，可用于多种语义相关任务。与其他模型相比，微调后的该模型在某些指标上表现更优。

📄 许可证

文档中未提及相关许可证信息。

其他信息

• 注意事项：查看我的新的、更新后的模型：German_Semantic_V3 和 V3b！
• 致谢：特别感谢 deepset 提供了模型 gBERT-large，也感谢 Philip May 对数据集的翻译以及关于该主题的交流。
• 模型对比： | 模型名称 | 斯皮尔曼系数 | | --- | --- | | xlm-r-distilroberta-base-paraphrase-v1 | 0.8079 | | xlm-r-100langs-bert-base-nli-stsb-mean-tokens | 0.7877 | | xlm-r-bert-base-nli-stsb-mean-tokens | 0.7877 | | roberta-large-nli-stsb-mean-tokens | 0.6371 | | T-Systems-onsite/
  german-roberta-sentence-transformer-v2 | 0.8529 | | paraphrase-multilingual-mpnet-base-v2 | 0.8355 | | T-Systems-onsite/
  cross-en-de-roberta-sentence-transformer | 0.8550 | | aari1995/German_Semantic_STS_V2 | 0.8626 |

📄 引用与作者

• 基础模型由 deepset 训练。
• 数据集由 Philip May 发布/翻译。
• 模型由 Aaron Chibb 微调。