Albert For Arqmath 3

🚀 ARQMath 3的ALBERT模型

本仓库包含我们针对ARQMath 3的最佳模型——math_10模型。该模型从ALBERT-base-v2初始化，并在Math StackExchange上分三个不同阶段进行了进一步预训练。我们还为分词器添加了更多LaTeX标记，以实现对数学公式更好的分词。math_10模型在一个分类任务上进行了微调，用于确定给定问题（序列1）是否与给定答案（序列2）匹配。分类输出可用于对最佳答案进行排序。有关更多详细信息，请阅读我们的论文：点击查看。

✨ 主要特性

• 基于ALBERT-base-v2初始化，在数学领域数据上进行预训练。
• 为分词器添加更多LaTeX标记，提升数学公式分词效果。
• 经过微调可用于判断问题与答案的匹配度，为答案排序。

📦 安装指南

暂未提及具体安装步骤，可参考使用示例中的代码依赖。

💻 使用示例

基础用法

# based on https://huggingface.co/docs/transformers/main/en/task_summary#sequence-classification
from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("AnReu/albert-for-arqmath-3")

model = AutoModelForSequenceClassification.from_pretrained("AnReu/albert-for-arqmath-3")

classes = ["non relevant", "relevant"]

sequence_0 = "How can I calculate x in $3x = 5$"
sequence_1 = "Just divide by 3: $x = \\frac{5}{3}$"
sequence_2 = "The general rule for squaring a sum is $(a+b)^2=a^2+2ab+b^2$"

# The tokenizer will automatically add any model specific separators (i.e. <CLS> and <SEP>) and tokens to
# the sequence, as well as compute the attention masks.
irrelevant = tokenizer(sequence_0, sequence_2, return_tensors="pt")
relevant = tokenizer(sequence_0, sequence_1, return_tensors="pt")

irrelevant_classification_logits = model(**irrelevant).logits
relevant_classification_logits = model(**relevant).logits

irrelevant_results = torch.softmax(irrelevant_classification_logits, dim=1).tolist()[0]
relevant_results = torch.softmax(relevant_classification_logits, dim=1).tolist()[0]

# Should be irrelevant
for i in range(len(classes)):
    print(f"{classes[i]}: {int(round(irrelevant_results[i] * 100))}%")

# Should be relevant
for i in range(len(classes)):
    print(f"{classes[i]}: {int(round(relevant_results[i] * 100))}%")

📚 详细文档

ARQMath 3的其他模型

我们计划发布其他微调模型以及基础模型。这些仓库的链接将很快添加到此处。

更新

我们还以与ALBERT模型相同的方式对BERT-base-cased模型进行了进一步预训练。你可以在此处找到该模型：AnReu/math_pretrained_bert。

📄 许可证

原文档未提及许可证信息。

📖 引用

如果你发现此模型有用，请考虑引用我们的论文：

@article{reusch2022transformer,
  title={Transformer-Encoder and Decoder Models for Questions on Math},
  author={Reusch, Anja and Thiele, Maik and Lehner, Wolfgang},
  year={2022},
  organization={CLEF}
}