Zero Shot Implicit Bi Encoder

🚀 零样本隐式双编码器

这是一个专为零样本文本分类设计的模型。它基于bert-base-uncased进行微调，通过与方面归一化的UTCD数据集进行隐式训练，在双编码分类框架下完成训练。该模型由Christopher Clarke、Yuzhao Heng、Yiping Kang、Krisztian Flautner、Lingjia Tang和Jason Mars在ACL'23会议论文《Label Agnostic Pre-training for Zero-shot Text Classification》中提出。训练和评估该模型的代码可在此处找到。

🚀 快速开始

本模型是一个句子转换器模型，由Christopher Clarke、Yuzhao Heng、Yiping Kang、Krisztian Flautner、Lingjia Tang和Jason Mars在ACL'23会议论文《Label Agnostic Pre-training for Zero-shot Text Classification》中提出。训练和评估该模型的代码可在此处找到。

✨ 主要特性

• 专为零样本文本分类设计。
• 基于bert-base-uncased模型进行微调。
• 通过与方面归一化的UTCD数据集进行隐式训练。

📦 安装指南

文档未提及安装步骤，故跳过此章节。

💻 使用示例

基础用法

>>> from sentence_transformers import SentenceTransformer, util as sbert_util
>>> model = SentenceTransformer(model_name_or_path='claritylab/zero-shot-implicit-bi-encoder')

>>> text = "I'd like to have this track onto my Classical Relaxations playlist."
>>> labels = [
>>>     'Add To Playlist', 'Book Restaurant', 'Get Weather', 'Play Music', 'Rate Book', 'Search Creative Work',
>>>     'Search Screening Event'
>>> ]
>>> aspect = 'intent'
>>> aspect_sep_token = model.tokenizer.additional_special_tokens[0]
>>> text = f'{aspect} {aspect_sep_token} {text}'

>>> text_embed = model.encode(text)
>>> label_embeds = model.encode(labels)
>>> scores = [sbert_util.cos_sim(text_embed, lb_embed).item() for lb_embed in label_embeds]
>>> print(scores)

[
  0.7989747524261475,
  0.003968147560954094,
  0.027803801000118256,
  0.9257574081420898,
  0.1492517590522766,
  0.010640474036335945,
  0.012045462615787983
]

📚 详细文档

模型描述

本模型用于零样本文本分类。它在双编码分类框架下，通过与方面归一化的UTCD数据集进行隐式训练。

• 微调基础模型：bert-base-uncased

🔧 技术细节

文档未提供足够的技术实现细节，故跳过此章节。

📄 许可证

本项目采用MIT许可证。