ko-sroberta-nli - 韩语句子语义嵌入的开源模型

ko-sroberta-nli项目介绍

项目概述

ko-sroberta-nli是一个专门用于处理韩语文本的句子嵌入模型。它基于sentence-transformers框架，通过将句子和段落映射到768维的密集向量空间中，用于相似度分析、聚类和语义搜索等任务。

模型用途

使用Sentence-Transformers

用户可以通过安装sentence-transformers库来方便地使用该模型：

pip install -U sentence-transformers

以下是如何应用该模型的示例代码：

from sentence_transformers import SentenceTransformer
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

model = SentenceTransformer('jhgan/ko-sroberta-nli')
embeddings = model.encode(sentences)
print(embeddings)

使用HuggingFace Transformers

即便不使用sentence-transformers库，也可以通过HuggingFace Transformers来使用此模型。通过先运行输入数据，再对上下文词嵌入应用合适的池化操作，就可以实现。

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - 考虑attention mask以进行正确平均
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)

# 我们希望为其获取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('jhgan/ko-sroberta-nli')
model = AutoModel.from_pretrained('jhgan/ko-sroberta-nli')

# 对句子进行分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算token嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化。这里使用的是平均池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

模型评估结果

该模型在KorNLI数据集上进行了训练，并在KorSTS评估数据集上进行了评估。评价结果显示：

余弦Pearson：82.83
余弦Spearman：83.85
欧氏Pearson：82.87
欧氏Spearman：83.29
曼哈顿Pearson：82.88
曼哈顿Spearman：83.28
点积Pearson：80.34
点积Spearman：79.69

训练细节

该模型的训练使用以下参数：

DataLoader: 8885个样本的NoDuplicatesDataLoader，batch_size为64
损失函数: 使用MultipleNegativesRankingLoss，设置参数为scale=20.0，similarity_fct为余弦相似度
训练参数:
- epochs: 1
- evaluation_steps: 1000
- evaluator: EmbeddingSimilarityEvaluator
- max_grad_norm: 1
- optimizer_class: AdamW
- optimizer_params: lr=2e-05
- scheduler: WarmupLinear
- warmup_steps: 889
- weight_decay: 0.01

模型架构

完整的模型架构如下：

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, '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})
)

引用与作者

该项目的相关研究和数据集可以参考以下文献：

Ham, J., Choe, Y. J., Park, K., Choi, I., & Soh, H. (2020). Kornli and korsts: New benchmark datasets for korean natural language understanding. arXiv preprint arXiv:2004.03289
Reimers, Nils and Iryna Gurevych. “Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks.” ArXiv abs/1908.10084 (2019)
Reimers, Nils and Iryna Gurevych. “Making Monolingual Sentence Embeddings Multilingual Using Knowledge Distillation.” EMNLP (2020).