shibing624/text2vec-base-chinese

这是一个CoSENT（余弦相似度）模型：shibing624/text2vec-base-chinese。

它将句子映射到一个768维的稠密向量空间，并可以用于句子嵌入、文本匹配或语义搜索等任务。

评估

对于该模型的自动化评估，请参见 Evaluation Benchmark: text2vec 。

• 中文文本匹配任务：

说明：

• 结果评测指标：spearman系数
• shibing624/text2vec-base-chinese模型，是用CoSENT方法训练，基于hfl/chinese-macbert-base在中文STS-B数据上训练得到，并在中文STS-B测试集上评估达到较好效果，运行 examples/training_sup_text_matching_model.py 代码可训练模型，模型文件已经上传HF model hub，中文通用语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-sentence模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh使用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 训练得到，并在中文各NLI测试集上评估达到较好效果，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2s(句子vs句子)语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-paraphrase模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh使用人工挑选后的中文STS数据集 shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset ，数据集相对于 shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset 加入了s2p(sentence to paraphrase)数据，强化了其长文本的表征能力，并在中文各NLI测试集上评估达到SOTA，运行 examples/training_sup_text_matching_model_jsonl_data.py 代码可训练模型，模型文件已经上传HF model hub，中文s2p(句子vs段落)语义匹配任务推荐使用
• sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型是用SBERT训练，是paraphrase-MiniLM-L12-v2模型的多语言版本，支持中文、英文等
• w2v-light-tencent-chinese是腾讯词向量的Word2Vec模型，CPU加载使用，适用于中文字面匹配任务和缺少数据的冷启动情况

使用方法（text2vec）

当您安装了 text2vec 后，使用此模型变得很简单：

pip install -U text2vec

然后可以像这样使用模型：

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

model = SentenceModel('shibing624/text2vec-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

没有 text2vec ，您可以像这样使用模型：

首先，将输入传递给转换器模型，然后必须在上下文化的单词嵌入之上应用正确的池化操作。

安装transformers：

pip install transformers

然后加载模型并进行预测：

from transformers import BertTokenizer, BertModel
import torch

# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # First element of model_output contains all token embeddings
    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)

# Load model from HuggingFace Hub
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-base-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-base-chinese')
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)
# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)

使用方法（sentence-transformers）

sentence-transformers 是一个常用的库，用于计算句子的稠密向量表示。

安装sentence-transformers：

pip install -U sentence-transformers

然后加载模型并进行预测：

from sentence_transformers import SentenceTransformer

m = SentenceTransformer("shibing624/text2vec-base-chinese")
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']

sentence_embeddings = m.encode(sentences)
print("Sentence embeddings:")
print(sentence_embeddings)

完整模型架构

CoSENT(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_mean_tokens': True})
)

使用目的

我们的模型旨在用作句子和短段落编码器。给定一个输入文本，它输出一个捕捉语义信息的向量。该句向量可用于信息检索、聚类或句子相似性任务。

默认情况下，超过256个词片段的输入文本将被截断。

训练过程

预训练

我们使用预训练的 hfl/chinese-macbert-base 模型。有关预训练过程的详细信息，请参阅模型卡片。

微调

我们使用对比目标对模型进行微调。具体而言，我们从批次中的每个可能的句对计算余弦相似度，然后通过与真正的句对和伪造的句对进行比较来应用排序损失。

• 训练数据集： https://huggingface.co/datasets/shibing624/nli_zh
• 最大序列长度：128
• 最佳时期：5
• 句子嵌入维度：768

引用与作者

该模型由 text2vec 训练。

如果您发现此模型有帮助，请随意引用：

@software{text2vec,
  author = {Xu Ming},
  title = {text2vec: A Tool for Text to Vector},
  year = {2022},
  url = {https://github.com/shibing624/text2vec},
}