bert-large-nli-mean-tokens - 句子相似性嵌入与聚类应用

bert-large-nli-mean-tokens 项目介绍

项目概述

bert-large-nli-mean-tokens 是一个基于句子转换器（sentence-transformers）库的模型。这个模型的主要功能是将句子和段落映射到一个1024维的稠密向量空间中，适用于聚类和语义搜索等任务。需要注意的是，该模型已被弃用，因为其生成的句子嵌入质量不高。更高质量的句子嵌入模型推荐在 SBERT.net - 预训练模型查找。

如何使用

使用句子转换器

要使用该模型，首先需要安装句子转换器库：

pip install -U sentence-transformers

安装后，可以按照以下方式使用模型：

from sentence_transformers import SentenceTransformer

# 定义需要转换的句子
sentences = ["This is an example sentence", "Each sentence is converted"]

# 加载模型
model = SentenceTransformer('sentence-transformers/bert-large-nli-mean-tokens')

# 进行嵌入转换
embeddings = model.encode(sentences)

# 打印结果
print(embeddings)

使用 HuggingFace Transformers

如果没有使用句子转换器库，也可以直接使用HuggingFace Transformers库。以下是使用的示例：

from transformers import AutoTokenizer, AutoModel
import torch

# 平均池化函数 - 考虑注意力掩码进行正确的平均值计算
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型输出的第一个元素包含所有的token嵌入
    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)

# 定义句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 从HuggingFace Hub加载模型和标记器
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/bert-large-nli-mean-tokens')
model = AutoModel.from_pretrained('sentence-transformers/bert-large-nli-mean-tokens')

# 对句子进行标记
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)

# 执行池化操作，这里使用的为平均池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

# 打印句子嵌入
print("Sentence embeddings:")
print(sentence_embeddings)

评估结果

要进行模型的自动化评估，可以查看 Sentence Embeddings Benchmark。

模型完整架构

模型的完整架构如下：

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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

该模型由 sentence-transformers 团队训练。如果您觉得该模型有用，可以引用他们的论文 Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks：

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "http://arxiv.org/abs/1908.10084",
}