indo-sentence-bert-base - 印尼语句子相似度计算与嵌入的优化解决方案

项目介绍：indo-sentence-bert-base

indo-sentence-bert-base是一个基于sentence-transformers的模型，可以将句子和段落映射到768维的密集向量空间。这些向量可以用于许多任务，如聚类或语义搜索。这个模型的优势在于能够高效地对来自印尼语的句子进行编码，便于在各种NLP应用中使用。

模型功能

indo-sentence-bert-base的主要功能是将印尼语句子转换为可用于计算机理解的向量表示。这些向量可以用于多种自然语言处理任务，例如：

句子相似度计算：通过比较词向量来判断两个句子在意思上的相似程度。
特征提取：将文本信息转化为数字特征，用于机器学习模型的输入。
语义搜索：根据查询语句在一组文本中找到语义相似的文段。

如何使用

使用Sentence-Transformers库

要使用indo-sentence-bert-base模型，首先需要安装sentence-transformers库：

pip install -U sentence-transformers

然后，可以通过以下Python代码来编码句子：

from sentence_transformers import SentenceTransformer
sentences = ["Ibukota Perancis adalah Paris", 
            "Menara Eifel terletak di Paris, Perancis", 
            "Pizza adalah makanan khas Italia", 
            "Saya kuliah di Carneige Mellon University"]

model = SentenceTransformer('firqaaa/indo-sentence-bert-base')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

如果不使用sentence-transformers，可以通过HuggingFace的Transformers库来实现类似功能。具体步骤包括：

使用预训练的分词器对句子进行编码。
计算词嵌入，通过平均池化得到句子嵌入。

示例代码如下：

from transformers import AutoTokenizer, AutoModel
import torch

def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] 
    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)

sentences = ["Ibukota Perancis adalah Paris", 
             "Menara Eifel terletak di Paris, Perancis", 
             "Pizza adalah makanan khas Italia", 
             "Saya kuliah di Carneige Mellon University"]

tokenizer = AutoTokenizer.from_pretrained('firqaaa/indo-sentence-bert-base')
model = AutoModel.from_pretrained('firqaaa/indo-sentence-bert-base')

encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

with torch.no_grad():
    model_output = model(**encoded_input)

sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

模型评估

indo-sentence-bert-base模型的自动评估结果可以在Sentence Embeddings Benchmark中查看，该平台提供了多个指标来验证模型性能。

模型训练参数

该模型通过以下参数进行训练：

数据加载器：使用NoDuplicatesDataLoader，批量大小为16，数据长度为19644。
损失函数：采用MultipleNegativesRankingLoss，参数包括缩放比例20.0和余弦相似度函数。
其他参数：训练过程中使用AdamW优化器，学习率2e-05，共训练5个epoch。

模型架构

完整的模型架构包含一个BertTransformer和Pooling层：

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者信息

如果引用此模型或研究，请参考以下资料：

研究论文：Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks——Nils Reimers和Iryna Gurevych。
模型发布：由Firqa Arasyi发布于2022年9月，模型仓库地址为Huggingface repository。