🚀 Tooka-SBERT-V2-Small
Tooka-SBERT-V2-Small 是一个经过训练的句子转换器模型,用于语义文本相似度和嵌入任务。它能将句子和段落映射到一个密集向量空间,在这个空间中,语义相似的文本会靠得很近。该模型有两种尺寸可供选择:Small 和 Large。
🚀 快速开始
直接使用(Sentence Transformers)
首先,安装 Sentence Transformers 库:
pip install sentence-transformers==3.4.1
然后,你可以加载这个模型并进行推理:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("PartAI/Tooka-SBERT-V2-Small")
sentences = [
'درنا از پرندگان مهاجر با پاهای بلند و گردن دراز است.',
'درناها با قامتی بلند و بالهای پهن، از زیباترین پرندگان مهاجر به شمار میروند.',
'درناها پرندگانی کوچک با پاهای کوتاه هستند که مهاجرت نمیکنند.'
]
embeddings = model.encode(sentences)
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
🔧 技术细节
训练分两个阶段进行:
- 预训练:在 Targoman News 数据集上进行。
- 微调:在多个合成数据集上进行。
阶段 1:预训练
- 使用 非对称 设置。
- 输入格式:
- 标题前加上
"سوال: "
。
- 文本前加上
"متن: "
。
- 损失函数:
CachedMultipleNegativesRankingLoss
。
阶段 2:微调
- 损失函数:
CachedMultipleNegativesRankingLoss
CoSENTLoss
- 在多个合成数据集上使用。
📊 评估
我们在 PTEB Benchmark 上评估了我们的模型。我们的模型在 PTEB 任务中平均性能 优于 mE5-Base。
对于 检索 和 重排序 任务,我们遵循相同的非对称结构,在前面加上:
"سوال: "
到查询语句。
"متن: "
到文档。
PTEB 中的特定任务数据集
- 成对分类:
- 分类:
- MassiveIntentClassification
- MassiveScenarioClassification
- MultilingualSentimentClassification
- PersianFoodSentimentClassification
- 检索:
- MIRACLRetrieval
- NeuCLIR2023Retrieval
- WikipediaRetrievalMultilingual
- 重排序:
- MIRACLReranking
- WikipediaRerankingMultilingual
📄 许可证
BibTeX
Sentence Transformers
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
CachedMultipleNegativesRankingLoss
@misc{gao2021scaling,
title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
year={2021},
eprint={2101.06983},
archivePrefix={arXiv},
primaryClass={cs.LG}
}