paraphrase-multilingual-MiniLM-L12-v2 - 多语言句子相似性和语义聚类的高效工具

项目简介

paraphrase-multilingual-MiniLM-L12-v2 是一个由 sentence-transformers 提供的模型。这个模型可以将句子和段落转换为384维的密集向量空间，常用于任务如文本聚类或语义搜索。

支持的语言

该模型支持多种语言，包括英语、西班牙语、法语、德语、中文、阿拉伯语以及其他几十种语言。这意味着它能够处理来自不同语言的文本，并进行跨语言的转化和比较。

如何使用（Sentence-Transformers库）

使用这个模型非常简单，只需要安装 sentence-transformers 库：

pip install -U sentence-transformers

安装完成后，可以按照以下代码示例使用模型：

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
embeddings = model.encode(sentences)
print(embeddings)

如何使用（HuggingFace Transformers库）

如果不使用 sentence-transformers 库，也可以采用 HuggingFace Transformers 库来调用该模型。下面是一个使用该库的简单例子：

from transformers import AutoTokenizer, AutoModel
import torch

# 定义均值池化函数
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)

# 准备输入句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 加载模型
tokenizer = AutoTokenizer.from_pretrained('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')
model = AutoModel.from_pretrained('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2')

# 对句子进行编码
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

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

# 执行均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

模型评估

对于该模型的自动化评估，请参考 Sentence Embeddings Benchmark：https://seb.sbert.net

模型架构

该模型的完整架构包括一个Transformer和一个用于池化的层。Transformer可以处理长度最长为128的序列，而池化层则负责获取句子级别的嵌入：

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

作者及引用

该模型由 sentence-transformers 团队训练开发。如果觉得该模型对你的研究或应用有帮助，请引用他们的论文 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",
}