shibing624/text2vec-base-chinese-sentence

这是一个CoSENT（余弦句子）模型：shibing624/text2vec-base-chinese-sentence。

它将句子映射到一个768维的稠密向量空间，可以用于句子嵌入、文本匹配或语义搜索等任务。

• 训练数据集： https://huggingface.co/datasets/shibing624/nli-zh-all/tree/main/text2vec-base-chinese-sentence-dataset
• 基本模型：nghuyong/ernie-3.0-base-zh
• 最大序列长度：256
• 最佳epoch：3
• 句子嵌入维度：768

评估

要对该模型进行自动评估，请参见评估基准： text2vec

发布模型

• 本项目发布模型的中文匹配评估结果：

说明：

• 结果评估指标：spearman系数
• shibing624/text2vec-base-chinese模型，是用CoSENT方法训练，基于hfl/chinese-macbert-base在中文STS-B数据训练得到，并在中文STS-B测试集评估达到较好效果，运行 examples/training_sup_text_matching_model.py 代码可训练模型，模型文件已经上传HF model hub，中文通用语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-sentence模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 训练得到，并在中文各NLI测试集评估达到较好效果，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2s(句子vs句子)语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-paraphrase模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset ，数据集相对于 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 加入了s2p(sentence to paraphrase)数据，强化了其长文本的表征能力，并在中文各NLI测试集评估达到SOTA，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2p(句子vs段落)语义匹配任务推荐使用
• sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型是用SBERT训练，是paraphrase-MiniLM-L12-v2模型的多语言版本，支持中文、英文等
• w2v-light-tencent-chinese是腾讯词向量的Word2Vec模型，CPU加载使用，适用于中文字面匹配任务和缺少数据的冷启动情况

旧版shibing624/text2vec-base-chinese-nli模型放在 tag1.0

使用（text2vec）

如果安装了 text2vec ，使用这个模型很简单：

pip install -U text2vec

然后可以像这样使用该模型：

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

model = SentenceModel('shibing624/text2vec-base-chinese-sentence')
embeddings = model.encode(sentences)
print(embeddings)

使用（HuggingFace Transformers）

如果没有 text2vec ，可以这样使用该模型：

首先，将输入通过变换器模型，然后必须在上下文化的单词嵌入之上应用适当的汇集操作。

安装transformers：

pip install transformers

然后加载模型并进行预测：

from transformers import BertTokenizer, BertModel
import torch

# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)

# Load model from HuggingFace Hub
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-base-chinese-sentence')
model = BertModel.from_pretrained('shibing624/text2vec-base-chinese-sentence')
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)
# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)

使用（sentence-transformers）

sentence-transformers 是一个流行的库，用于计算句子的稠密向量表示。

安装sentence-transformers：

pip install -U sentence-transformers

然后加载模型并进行预测：

from sentence_transformers import SentenceTransformer

m = SentenceTransformer("shibing624/text2vec-base-chinese-sentence")
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

sentence_embeddings = m.encode(sentences)
print("Sentence embeddings:")
print(sentence_embeddings)

完整的模型架构

CoSENT(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: ErnieModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)

预期用途

我们的模型用于作为句子和短段落编码器。给定输入文本，它输出一个捕捉语义信息的向量。句子向量可用于信息检索、聚类或句子相似性任务。

默认情况下，超过256个词片段的输入文本将被截断。

培训过程

预训练

我们使用了预训练的 nghuyong/ernie-3.0-base-zh 模型。有关预训练过程的详细信息，请参阅模型卡片。

微调

我们使用对比学习的方法对模型进行微调。形式上，我们从批次中的每对可能的句子中计算余弦相似性。然后，通过与真正的对和错误的对进行比较，应用排序损失。

引用和作者

该模型由 text2vec 训练。

如果您觉得这个模型有帮助，请随意引用：

@software{text2vec,
  author = {Ming Xu},
  title = {text2vec: A Tool for Text to Vector},
  year = {2023},
  url = {https://github.com/shibing624/text2vec},
}