将allennai/specter2适配成allenai/specter2_proximity

该适配器针对allennai/specter2模型进行了训练，该模型在 allenai/scirepeval 数据集上进行了训练。

该适配器适用于 adapter-transformers 库的使用。

用法

首先，安装adapter-transformers：

pip install -U adapter-transformers

注意：adapter-transformers是transformers的分支，可作为具有适配器支持的可替换项使用。

现在，可以像这样加载和激活适配器：

from transformers import AutoAdapterModel

model = AutoAdapterModel.from_pretrained("allenai/specter2")
adapter_name = model.load_adapter("allenai/specter2_proximity", source="hf", set_active=True)

SPECTER 2.0

SPECTER 2.0是SPECTER的后续版本，配合 adapters 可以为科学任务生成任务特定的嵌入。给定科学论文的标题和摘要或短文本查询，该模型可以生成用于下游应用的有效嵌入。

模型详细信息

模型描述

SPECTER 2.0已使用600万个科学论文引用三元组进行训练，这些三元组可在 here 中获得。此后，它在所有 SciRepEval 的训练任务上进行训练，使用特定于任务格式的适配器。

训练的任务格式：

• 分类
• 回归
• 接近度
• Adhoc搜索

这是一个特定于检索的适配器。对于需要从语料库中检索给定论文查询的其他相关论文的任务，请使用此适配器生成嵌入。

它建立在 SciRepEval: A Multi-Format Benchmark for Scientific Document Representations 的工作基础上，我们还评估了在此基准测试上训练的模型。

• 开发者：Amanpreet Singh、Mike D'Arcy、Arman Cohan、Doug Downey、Sergey Feldman
• 共享者：Allen AI
• 模型类型：bert-base-uncased + adapters
• 许可证：Apache 2.0
• 从模型进行微调： allenai/scibert 。

模型来源

• 存储库： https://github.com/allenai/SPECTER2_0
• 论文： https://api.semanticscholar.org/CorpusID:254018137
• 演示： Usage

用途

直接使用

对于未提及的下游任务类型，检索模型应该足够使用。

from transformers import AutoTokenizer, AutoModel

# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('allenai/specter2')

#load base model
model = AutoModel.from_pretrained('allenai/specter2')

#load the adapter(s) as per the required task, provide an identifier for the adapter in load_as argument and activate it
model.load_adapter("allenai/specter2_proximity", source="hf", load_as="specter2_proximity", set_active=True)

papers = [{'title': 'BERT', 'abstract': 'We introduce a new language representation model called BERT'},
          {'title': 'Attention is all you need', 'abstract': ' The dominant sequence transduction models are based on complex recurrent or convolutional neural networks'}]

# concatenate title and abstract
text_batch = [d['title'] + tokenizer.sep_token + (d.get('abstract') or '') for d in papers]
# preprocess the input
inputs = self.tokenizer(text_batch, padding=True, truncation=True,
                                   return_tensors="pt", return_token_type_ids=False, max_length=512)
output = model(**inputs)
# take the first token in the batch as the embedding
embeddings = output.last_hidden_state[:, 0, :]

下游使用

有关评估和下游使用，请参阅 https://github.com/allenai/scirepeval/blob/main/evaluation/INFERENCE.md 。

训练详情

训练数据

基础模型是通过论文之间的引用链接进行训练的，适配器则是在四个格式上的8个大型任务上进行训练。所有数据都是SciRepEval基准测试的一部分，并可在 here 中获得。

引用链接是以下形式的三元组：

{"query": {"title": ..., "abstract": ...}, "pos": {"title": ..., "abstract": ...}, "neg": {"title": ..., "abstract": ...}}

由查询论文、正引用和负引用组成，负引用可以来自与查询或引用的研究领域相同或不同的论文。

训练过程

请参阅 SPECTER paper 。

训练超参数

模型使用 SciRepEval 进行两个阶段的训练：

• 基础模型：首先，在上述引用三元组上训练基础模型。

批处理大小=1024，最大输入长度=512，学习率=2e-5，epochs=2，预热步骤=10% fp16

• 适配器：然后，在SciRepEval训练任务上训练特定于任务格式的适配器，从上述任务中抽样了60万个三元组，并将其添加到训练数据中。

批处理大小=256，最大输入长度=512，学习率=1e-4，epochs=6，预热=1000步fp16

评估

我们在 SciRepEval 上评估该模型，这是一个用于科学嵌入任务的大规模评估基准测试，其中包含[SciDocs]作为其子集。我们还在 MDCR 上评估并建立了最新的SoTA，这是一个大规模引文推荐基准测试。

如果最终使用SPECTER 2.0，请引用以下作品：

SPECTER paper ：

@inproceedings{specter2020cohan,
  title={{SPECTER: Document-level Representation Learning using Citation-informed Transformers}},
  author={Arman Cohan and Sergey Feldman and Iz Beltagy and Doug Downey and Daniel S. Weld},
  booktitle={ACL},
  year={2020}
}

SciRepEval paper

@article{Singh2022SciRepEvalAM,
  title={SciRepEval: A Multi-Format Benchmark for Scientific Document Representations},
  author={Amanpreet Singh and Mike D'Arcy and Arman Cohan and Doug Downey and Sergey Feldman},
  journal={ArXiv},
  year={2022},
  volume={abs/2211.13308}
}