HuggingFace镜像/text2vec-base-chinese-openmind

shibing624/text2vec-base-chinese

这是一个 CoSENT（余弦句子）模型：shibing624/text2vec-base-chinese。

它能将句子映射到 768 维的稠密向量空间，可用于句子嵌入、文本匹配或语义搜索等任务。

评估

关于该模型的自动化评估，请参见 评估基准：text2vec

中文文本匹配任务：

架构	基础模型	模型	ATEC	BQ	LCQMC	PAWSX	STS-B	SOHU-dd	SOHU-dc	平均值	QPS
Word2Vec	word2vec	w2v-light-tencent-chinese	20.00	31.49	59.46	2.57	55.78	55.04	20.70	35.03	23769
SBERT	xlm-roberta-base	sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2	18.42	38.52	63.96	10.14	78.90	63.01	52.28	46.46	3138
Instructor	hfl/chinese-roberta-wwm-ext	moka-ai/m3e-base	41.27	63.81	74.87	12.20	76.96	75.83	60.55	57.93	2980
CoSENT	hfl/chinese-macbert-base	shibing624/text2vec-base-chinese	31.93	42.67	70.16	17.21	79.30	70.27	50.42	51.61	3008
CoSENT	hfl/chinese-lert-large	GanymedeNil/text2vec-large-chinese	32.61	44.59	69.30	14.51	79.44	73.01	59.04	53.12	2092
CoSENT	nghuyong/ernie-3.0-base-zh	shibing624/text2vec-base-chinese-sentence	43.37	61.43	73.48	38.90	78.25	70.60	53.08	59.87	3089
CoSENT	nghuyong/ernie-3.0-base-zh	shibing624/text2vec-base-chinese-paraphrase	44.89	63.58	74.24	40.90	78.93	76.70	63.30	63.08	3066
CoSENT	sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2	shibing624/text2vec-base-multilingual	32.39	50.33	65.64	32.56	74.45	68.88	51.17	53.67	4004

说明：

结果评测指标：斯皮尔曼相关系数（spearman）
shibing624/text2vec-base-chinese模型，是使用 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 测试集上评估取得了较好效果。运行examples/training_sup_text_matching_model.py代码可训练模型，模型文件已上传至 HF model hub，推荐用于中文通用语义匹配任务。
shibing624/text2vec-base-chinese-sentence模型，是使用 CoSENT 方法训练，基于nghuyong/ernie-3.0-base-zh，采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 测试集上评估取得了较好效果。运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已上传至 HF model hub，推荐用于中文 s2s（句子 vs 句子）语义匹配任务。
shibing624/text2vec-base-chinese-paraphrase模型，是使用 CoSENT 方法训练，基于nghuyong/ernie-3.0-base-zh，采用人工挑选后的中文 STS 数据集shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset。该数据集在shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset的基础上加入了 s2p（句子到 paraphrase）数据，增强了其对长文本的表征能力，并在中文各 NLI 测试集上评估达到了 SOTA 水平。运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已上传至 HF model hub，推荐用于中文 s2p（句子 vs 段落）语义匹配任务。
sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型是使用 SBERT 训练的，是paraphrase-MiniLM-L12-v2模型的多语言版本，支持中文、英文等多种语言。
w2v-light-tencent-chinese是腾讯词向量的 Word2Vec 模型，可在 CPU 上加载使用，适用于中文字面匹配任务以及数据缺失的冷启动场景。

使用方法（text2vec）

当您安装了text2vec后，使用此模型会变得非常简单：

pip install -U text2vec

然后你可以像这样使用该模型：

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）

如果不使用 text2vec，您可以这样使用该模型：

首先，将输入传递给 transformer 模型，然后必须在上下文化的词嵌入之上应用正确的池化操作。

安装 transformers：

pip install transformers

然后加载模型并预测：

from openmind import AutoTokenizer, AutoModel, is_torch_npu_available
from openmind_hub import snapshot_download
import torch
import argparse

# 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)

def parse_args():
    parser = argparse.ArgumentParser()
    parser.add_argument(
        "--model_name_or_path",
        type=str,
        help="Path to model",
        default="jeffding/text2vec-base-chinese-openmind",
    )
    args = parser.parse_args()
    return args

def main():
    args = parse_args()
    model_path = args.model_name_or_path

    if is_torch_npu_available():
        device = "npu:0"
    else:
        device = "cpu"
        
    model = model_path
    tokenizer = AutoTokenizer.from_pretrained(model_path)
    model = AutoModel.from_pretrained(model_path)
    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)
    
if __name__ == "__main__":
    main()

使用方法（sentence-transformers）

sentence-transformers 是一个用于计算句子密集向量表示的热门库。

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})
)

预期用途

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

默认情况下，超过256个词片的输入文本会被截断。

训练过程

预训练

我们使用预训练的hfl/chinese-macbert-base模型。有关预训练过程的更多详细信息，请参考该模型卡片。

微调

我们使用对比目标对模型进行微调。具体来说，我们计算批次中每个可能句子对的余弦相似度。然后，通过与真实对和虚假对进行比较来应用排序损失。

超参数

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

引用与作者

此模型由text2vec训练。

如果您觉得此模型有帮助，欢迎引用：

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