shibing624/text2vec-base-multilingual

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

它将句子映射到一个384维的稠密向量空间，可用于句子嵌入、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-multilingual-dataset
• 基础模型：sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
• max_seq_length：256
• 最佳迭代轮数：4
• 句子嵌入维度：384

评估

要对此模型进行自动评估，请参见评估基准： text2vec

语言

可用语言：de、en、es、fr、it、nl、pl、pt、ru、zh

发布的模型

• 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数据上训练得到，并在中文STS-B测试集上获得较好效果，可通过运行 examples/training_sup_text_matching_model.py 代码进行模型训练，模型文件已上传至HF model hub，适用于中文通用语义匹配任务
• shibing624/text2vec-base-chinese-sentence模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh在人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 上训练得到，并在中文各NLI测试集上获得较好效果，可通过运行 examples/training_sup_text_matching_model_jsonl_data.py 代码进行模型训练，模型文件已上传至HF model hub，适用于中文s2s（句子vs句子）语义匹配任务
• shibing624/text2vec-base-chinese-paraphrase模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh在人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset 上训练得到，并相对于 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 增加了s2p（sentence to paraphrase）数据，增强了长文本的表征能力，并在中文各NLI测试集上达到SOTA，可通过运行 examples/training_sup_text_matching_model_jsonl_data.py 代码进行模型训练，模型文件已上传至HF model hub，适用于中文s2p（句子vs段落）语义匹配任务
• shibing624/text2vec-base-multilingual模型，是用CoSENT方法训练，基于sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2在人工挑选后的多语言STS数据集 shibing624/nli-zh-all/text2vec-base-multilingual-dataset 上训练得到，并相对于原模型在中英文测试集上有所提升，可通过运行 examples/training_sup_text_matching_model_jsonl_data.py 代码进行模型训练，模型文件已上传至HF model hub，适用于多语言语义匹配任务
• w2v-light-tencent-chinese是腾讯词向量的Word2Vec模型，适用于中文字面匹配任务和缺少数据的冷启动情况，使用CPU进行加载
• GPU测试环境的QPS为Tesla V100，显存32GB

模型训练实验报告： 实验报告

使用方式（text2vec）

使用该模型需要安装 text2vec ：

pip install -U text2vec

然后可以像这样使用模型：

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']

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

使用方式（HuggingFace Transformers）

在没有 text2vec 的情况下，可以这样使用模型：

首先，将输入文本通过transformer模型，然后在上下文词嵌入之上应用正确的池化操作。

安装transformers：

pip install transformers

然后加载模型并进行预测：

from transformers import AutoTokenizer, AutoModel
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 = AutoTokenizer.from_pretrained('shibing624/text2vec-base-multilingual')
model = AutoModel.from_pretrained('shibing624/text2vec-base-multilingual')
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']
# 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)

使用方式（sentence-transformers）

sentence-transformers 是一个常用的计算句子的稠密向量表示的库。

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-multilingual")
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']

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

完整模型架构

CoSENT(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_mean_tokens': True})
)

目标用途

我们的模型旨在用作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个单词片段的输入文本将被截断。

训练过程

预训练

我们使用了预训练的 sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 模型。有关预训练过程的详细信息，请参阅模型卡片。

微调

我们使用对比目标进行微调。具体来说，我们从批次中的每个可能的句子对计算余弦相似度。然后，我们与真实对和虚假对进行比较，应用排序损失。

引用和作者

此模型由 text2vec 进行训练。

如果您觉得这个模型有用，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},
}