Project Icon

e5-small-unsupervised

无监督预训练模型用于提升文本嵌入与句子相似度

该无监督对比预训练模型通过弱监督方法进行预训练,无需人为标注,实现高效的句子相似度计算和信息检索。模型具备12层架构和384维嵌入空间,适用于MS-MARCO数据集等的查询与段落编码。输入文本需使用特定前缀(如“query:”与“passage:”)以求最佳效果。模型包含详细示例代码和训练细节,适用于BEIR和MTEB基准评价,支持英文文本,文本长度限制为512个标记。

e5-small-unsupervised 项目介绍

项目概述

e5-small-unsupervised 是一个基于弱监督对比学习预训练的文本嵌入模型。这个模型与其前身 e5-small 很相似,但没有经过监督式微调。e5-small-unsupervised 模型包含了12个层,其嵌入尺寸为384。模型的设计旨在提高文本相似度的计算效率,适用于多个自然语言处理任务。

使用方法

使用 e5-small-unsupervised 模型时,每个输入文本需要以"query: "或"passage: "开头。以下是使用 MS-MARCO passage ranking 数据集对查询和段落进行编码的示例代码:

import torch.nn.functional as F
from torch import Tensor
from transformers import AutoTokenizer, AutoModel

def average_pool(last_hidden_states: Tensor, attention_mask: Tensor) -> Tensor:
    last_hidden = last_hidden_states.masked_fill(~attention_mask[..., None].bool(), 0.0)
    return last_hidden.sum(dim=1) / attention_mask.sum(dim=1)[..., None]

input_texts = [
    'query: how much protein should a female eat',
    'query: summit define',
    "passage: As a general guideline, the CDC's average requirement of protein for women ages 19 to 70 is 46 grams per day...",
    "passage: Definition of summit for English Language Learners. : 1 the highest point of a mountain : ..."
]

tokenizer = AutoTokenizer.from_pretrained('intfloat/e5-small-unsupervised')
model = AutoModel.from_pretrained('intfloat/e5-small-unsupervised')

batch_dict = tokenizer(input_texts, max_length=512, padding=True, truncation=True, return_tensors='pt')
outputs = model(**batch_dict)
embeddings = average_pool(outputs.last_hidden_state, batch_dict['attention_mask'])

embeddings = F.normalize(embeddings, p=2, dim=1)
scores = (embeddings[:2] @ embeddings[2:].T) * 100
print(scores.tolist())

训练细节

关于模型训练的更多细节,请参考以下论文:Text Embeddings by Weakly-Supervised Contrastive Pre-training

基准测试评估

用户可以访问 unilm/e5 来获取在 BEIR 和 MTEB 基准测试上的评估结果。

支持 Sentence Transformers

e5-small-unsupervised 模型兼容于 Sentence Transformers 框架,以下示例展示了如何在此环境中使用该模型:

from sentence_transformers import SentenceTransformer

model = SentenceTransformer('intfloat/e5-small-unsupervised')
input_texts = [
    'query: how much protein should a female eat',
    'query: summit define',
    "passage: As a general guideline, the CDC's average requirement of protein...",
    "passage: Definition of summit for English Language Learners. : 1 the highest point..."
]
embeddings = model.encode(input_texts, normalize_embeddings=True)

常见问题

1. 输入文本中需要添加“query:”和“passage:”前缀吗?

是的,模型是在此基础上进行训练的,若不加这些前缀,可能会导致性能下降。

  • 在不对称任务(如开放性问答中的段落检索)中,使用"query: "和"passage: "。
  • 对于对称任务(如语义相似度、复述检索),使用"query: "前缀。
  • 如果要把嵌入当作特征使用(如线性分类、聚类),使用"query: "前缀。

2. 为什么我复现的结果与模型卡中报告的结果稍有不同?

不同版本的 transformers 和 pytorch 可能导致细微但非零的性能差异。

限制

该模型仅对英文文本有效。长文本将被截断至最多512个标记。

项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号