all-MiniLM-L6-v2-similarity-es - 西班牙语句子相似性与聚类分析的高效模型

项目介绍：all-MiniLM-L6-v2-similarity-es

项目背景

all-MiniLM-L6-v2-similarity-es是一个基于sentence-transformers的项目，旨在将句子和段落映射到一个768维的稠密向量空间。这种模型非常适合用于聚类分析或语义搜索等任务。

模型特性

这款模型主要处理西班牙语的句子相似度计算，使用了一组经过微调的句子转换器。模型的表示能力使其能够有效地将句子编码为向量，从而方便地进行比较。

使用方式

使用sentence-transformers库

要使用该模型，首先需要安装sentence-transformers库。安装完成后，可以使用如下代码加载并应用模型：

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer

sentences = ["Esta es una frase para ser comparada", "Esta es otra oración"]
model = SentenceTransformer('jaimevera1107/roberta-similarity-es')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers库

如果不使用sentence-transformers库，也可以通过HuggingFace的transformers库来使用该模型。这需要手动实现池化操作以从上下文中正确计算词嵌入：

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 = ["Esta es una frase para ser comparada", "Esta es otra oración"]
tokenizer = AutoTokenizer.from_pretrained('jaimevera1107/roberta-similarity-es')
model = AutoModel.from_pretrained('jaimevera1107/roberta-similarity-es')

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

在模型评估中，使用了R平方和Spearman相关系数进行衡量。微调后的Roberta模型在R平方上表现为70.67%，在Spearman相关上为80.1%，这些指标说明模型在句子相似度的捕捉上具备较强的能力。

训练过程

模型的训练使用了西班牙语句子相似度数据集，训练过程中采用了CosineSimilarityLoss损失函数。在5个训练周期中，采用的优化器为AdamW，学习率设定为2e-05，并设置了权重衰减和学习率调度策略。

模型架构概览

模型的整体架构包含两个主要部分之一是基于Roberta的Transformer模型，另一个是用于执行池化操作的Pooling模块。具体的架构如下：

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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})
)

通过这种结构，模型能够有效地从输入文本中提炼有意义的语义信息。