Pearl Small

🚀 🦪⚪ PEARL-small

PEARL-small是一个轻量级的字符串嵌入模型，可用于字符串的语义相似度计算，能为字符串匹配、实体检索、实体聚类、模糊连接等任务生成出色的嵌入表示。它与典型的句子嵌入器不同，通过结合短语类型信息和形态特征，能更好地捕捉字符串的变化。

🚀 快速开始

PEARL-small是E5-small的一个变体，在我们构建的无上下文数据集上进行了微调，从而为短语和字符串生成更好的表示。

相关链接： 🤗 PEARL-small 🤗 PEARL-base 📐 PEARL基准测试 🏆 PEARL排行榜

✨ 主要特性

• 轻量级：是轻量级的字符串嵌入模型。
• 结合特殊信息：结合了短语类型信息和形态特征，能更好地捕捉字符串的变化。
• 微调优化：基于E5-small在特定数据集上微调，为短语和字符串生成更好的表示。

📊 模型对比

📈 成本对比

💻 使用示例

基础用法 - Sentence Transformers

PEARL与Sentence Transformers库集成，可以这样使用：

from sentence_transformers import SentenceTransformer, util

query_texts = ["The New York Times"]
doc_texts = [ "NYTimes", "New York Post", "New York"]
input_texts = query_texts + doc_texts

model = SentenceTransformer("Lihuchen/pearl_small")
embeddings = model.encode(input_texts)
scores = util.cos_sim(embeddings[0], embeddings[1:]) * 100
print(scores.tolist())
# [[90.56318664550781, 79.65763854980469, 75.52056121826172]]

高级用法 - Transformers

也可以使用transformers库来使用PEARL，以下是一个实体检索的示例：

import torch.nn.functional as F

from torch import Tensor
from transformers import AutoTokenizer, AutoModel


def average_pool(last_hidden_states: Tensor,
                 attention_mask: Tensor) -> Tensor:
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]

def encode_text(model, input_texts):
    # Tokenize the input texts
    batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')

    outputs = model(**batch_dict)
    embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])
    
    return embeddings


query_texts = ["The New York Times"]
doc_texts = [ "NYTimes", "New York Post", "New York"]
input_texts = query_texts + doc_texts

tokenizer = AutoTokenizer.from_pretrained('Lihuchen/pearl_small')
model = AutoModel.from_pretrained('Lihuchen/pearl_small')

# encode
embeddings = encode_text(model, input_texts)

# calculate similarity
embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:1] @ embeddings[1:].T) * 100
print(scores.tolist())

# expected outputs
# [[90.56318664550781, 79.65763854980469, 75.52054595947266]]

📚 详细文档

关于训练和评估的详细信息，请查看我们在Github上的代码。

📄 许可证

本项目采用Apache-2.0许可证。

📖 引用

如果您觉得我们的工作有用，请引用以下文献：

@inproceedings{chen2024learning,
  title={Learning High-Quality and General-Purpose Phrase Representations},
  author={Chen, Lihu and Varoquaux, Gael and Suchanek, Fabian},
  booktitle={Findings of the Association for Computational Linguistics: EACL 2024},
  pages={983--994},
  year={2024}
}