模型简介
模型特点
模型能力
使用案例
🚀 shibing624/text2vec-base-chinese
这是一个CoSENT(余弦句子)模型:shibing624/text2vec-base-chinese。它能将句子映射到一个768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
你可以通过以下几种方式使用该模型:
使用text2vec库
如果你安装了 text2vec,使用这个模型会很简单:
pip install -U text2vec
然后你可以这样使用模型:
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-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)
使用HuggingFace Transformers库
如果没有安装 text2vec,你可以这样使用模型: 首先,你需要将输入通过Transformer模型,然后对上下文词嵌入应用正确的池化操作。 安装transformers库:
pip install transformers
然后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-base-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-base-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。 安装sentence-transformers库:
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-base-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
- 该模型能将句子映射到768维的密集向量空间,可用于多种自然语言处理任务,如句子嵌入、文本匹配或语义搜索。
- 支持多种使用方式,可通过text2vec、HuggingFace Transformers、sentence-transformers等库调用。
- 提供了模型加速的方法,如ONNX优化、OpenVINO加速和量化等。
📦 安装指南
根据不同的使用方式,安装相应的依赖库:
- 使用text2vec:
pip install -U text2vec
- 使用HuggingFace Transformers:
pip install transformers
- 使用sentence-transformers:
pip install -U sentence-transformers
💻 使用示例
基础用法
通过text2vec库实现句子嵌入:
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-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)
高级用法
使用ONNX优化的模型进行GPU加速:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_O4.onnx"},
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
📚 详细文档
评估
对于该模型的自动评估,请参阅 评估基准:text2vec
- 中文文本匹配任务:
架构 | 基础模型 | 模型 | ATEC | BQ | LCQMC | PAWSX | STS-B | SOHU-dd | SOHU-dc | 平均 | QPS |
---|---|---|---|---|---|---|---|---|---|---|---|
Word2Vec | word2vec | w2v-light-tencent-chinese | 20.00 | 31.49 | 59.46 | 2.57 | 55.78 | 55.04 | 20.70 | 35.03 | 23769 |
SBERT | xlm-roberta-base | sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 | 18.42 | 38.52 | 63.96 | 10.14 | 78.90 | 63.01 | 52.28 | 46.46 | 3138 |
Instructor | hfl/chinese-roberta-wwm-ext | moka-ai/m3e-base | 41.27 | 63.81 | 74.87 | 12.20 | 76.96 | 75.83 | 60.55 | 57.93 | 2980 |
CoSENT | hfl/chinese-macbert-base | shibing624/text2vec-base-chinese | 31.93 | 42.67 | 70.16 | 17.21 | 79.30 | 70.27 | 50.42 | 51.61 | 3008 |
CoSENT | hfl/chinese-lert-large | GanymedeNil/text2vec-large-chinese | 32.61 | 44.59 | 69.30 | 14.51 | 79.44 | 73.01 | 59.04 | 53.12 | 2092 |
CoSENT | nghuyong/ernie-3.0-base-zh | shibing624/text2vec-base-chinese-sentence | 43.37 | 61.43 | 73.48 | 38.90 | 78.25 | 70.60 | 53.08 | 59.87 | 3089 |
CoSENT | nghuyong/ernie-3.0-base-zh | shibing624/text2vec-base-chinese-paraphrase | 44.89 | 63.58 | 74.24 | 40.90 | 78.93 | 76.70 | 63.30 | 63.08 | 3066 |
CoSENT | sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 | shibing624/text2vec-base-multilingual | 32.39 | 50.33 | 65.64 | 32.56 | 74.45 | 68.88 | 51.17 | 53.67 | 4004 |
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sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
模型是用SBERT训练,是paraphrase-MiniLM-L12-v2
模型的多语言版本,支持中文、英文等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
模型加速
模型 | ATEC | BQ | LCQMC | PAWSX | STSB |
---|---|---|---|---|---|
shibing624/text2vec-base-chinese (fp32, 基线) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (onnx-O4, #29) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (ov, #27) | 0.31928 | 0.42672 | 0.70157 | 0.17214 | 0.79296 |
shibing624/text2vec-base-chinese (ov-qint8, #30) | 0.30778 (-3.60%) | 0.43474 (+1.88%) | 0.69620 (-0.77%) | 0.16662 (-3.20%) | 0.79396 (+0.13%) |
简而言之:
- ✅ shibing624/text2vec-base-chinese (onnx-O4),ONNX优化到 O4 不会降低性能,但在GPU上可实现 ~2倍加速。
- ✅ shibing624/text2vec-base-chinese (ov),OpenVINO不会降低性能,但在CPU上可实现1.12倍加速。
- 🟡 shibing624/text2vec-base-chinese (ov-qint8),使用OV进行int8量化在某些任务上会有小的性能损失,在其他任务上有微小的性能提升,在使用中文STS-B进行量化时。此外,在CPU上可实现 4.78倍加速。
- 使用方法:shibing624/text2vec-base-chinese (onnx-O4),用于GPU
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_O4.onnx"},
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
- 使用方法:shibing624/text2vec-base-chinese (ov),用于CPU
# pip install 'optimum[openvino]'
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="openvino",
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
- 使用方法:shibing624/text2vec-base-chinese (ov-qint8),用于CPU
# pip install optimum
from sentence_transformers import SentenceTransformer
model = SentenceTransformer(
"shibing624/text2vec-base-chinese",
backend="onnx",
model_kwargs={"file_name": "model_qint8_avx512_vnni.onnx"},
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)
完整模型架构
CoSENT(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)
预期用途
我们的模型旨在用作句子和短段落编码器。给定输入文本,它会输出一个捕获语义信息的向量。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个词片时会被截断。
训练过程
预训练
我们使用预训练的 hfl/chinese-macbert-base
模型。有关预训练过程的更多详细信息,请参考该模型的卡片。
微调
我们使用对比目标对模型进行微调。形式上,我们从批次中的每个可能的句子对计算余弦相似度。然后通过与真实对和虚假对进行比较来应用排序损失。
超参数
- 训练数据集:https://huggingface.co/datasets/shibing624/nli_zh
- 最大序列长度:128
- 最佳轮数:5
- 句子嵌入维度:768
🔧 技术细节
预训练
使用预训练的hfl/chinese-macbert-base
模型,借助其在大规模中文语料上学习到的语言知识,为后续的微调提供良好的初始化。
微调
采用对比目标进行微调,通过计算批次中句子对的余弦相似度,并应用排序损失来优化模型。具体来说,会比较真实对和虚假对的相似度,使得真实对的相似度尽可能高,虚假对的相似度尽可能低。
超参数设置
- 训练数据集:使用了https://huggingface.co/datasets/shibing624/nli_zh 数据集,该数据集包含了丰富的中文自然语言推理数据,有助于模型学习到更准确的语义信息。
- 最大序列长度:设置为128,这是为了在保证模型能够处理一定长度文本的同时,控制计算资源和训练时间。
- 最佳轮数:经过实验确定为5,在这个轮数下模型在验证集上的表现达到最佳。
- 句子嵌入维度:设置为768,这个维度能够较好地捕捉句子的语义信息,同时也与预训练模型的输出维度相匹配。
📄 许可证
该模型使用Apache-2.0许可证。
Citing & Authors
该模型由 text2vec 团队训练。
如果你觉得这个模型有帮助,请随意引用:
@software{text2vec,
author = {Xu Ming},
title = {text2vec: A Tool for Text to Vector},
year = {2022},
url = {https://github.com/shibing624/text2vec},
}







