使用 Transformer 和迁移学习实现希腊语文本语义相似度

由希腊陆军学院 (SSE) 和克里特理工大学 (TUC) 提供

该模型已手动转换为 ONNX 格式。原始模型可在此处获取。

这是一个 sentence-transformers 模型：它将句子和段落映射到 768 维的稠密向量空间，可用于聚类或语义搜索等任务。

我们采用此处描述的教师-学生迁移学习方法，使用平行的英-希句子对在 STS 上训练 XLM-Roberta-base 模型。

使用方法 (Sentence-Transformers)

安装 sentence-transformers 后，使用此模型变得非常简单：

pip install -U sentence-transformers

然后您可以像这样使用该模型：

from sentence_transformers import SentenceTransformer
model = SentenceTransformer('{MODEL_NAME}')

sentences1 = ['Το κινητό έπεσε και έσπασε.',
             'Το κινητό έπεσε και έσπασε.',
             'Το κινητό έπεσε και έσπασε.']

sentences2 = ["H πτώση κατέστρεψε τη συσκευή.",
             "Το αυτοκίνητο έσπασε στα δυο.",
             "Ο υπουργός έπεσε και έσπασε το πόδι του."]


embeddings1 = model.encode(sentences1, convert_to_tensor=True)
embeddings2 = model.encode(sentences2, convert_to_tensor=True)

#计算余弦相似度（克隆仓库以获取工具函数）
from sentence_transformers import util
cosine_scores = util.pytorch_cos_sim(embeddings1, embeddings2)

#输出句子对及其得分
for i in range(len(sentences1)):
    print("{} 		 {} 		 Score: {:.4f}".format(sentences1[i], sentences2[i], cosine_scores[i][i]))
    
#输出：
#Το κινητό έπεσε και έσπασε. 		 H πτώση κατέστρεψε τη συσκευή. 		 Score: 0.6741
#Το κινητό έπεσε και έσπασε. 		 Το αυτοκίνητο έσπασε στα δυο. 		 Score: 0.5067
#Το κινητό έπεσε και έσπασε. 		 Ο υπουργός έπεσε και έσπασε το πόδι του. 		 Score: 0.4548

使用方法 (HuggingFace Transformers)

如果没有安装 sentence-transformers，您可以像这样使用该模型：首先，将输入通过 transformer 模型，然后在上下文词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch


#均值池化 - 考虑注意力掩码以进行正确的平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #model_output 的第一个元素包含所有词元嵌入
    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)


# 我们想要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('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

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

# 计算词元嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

# 执行池化。这里使用最大池化。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

评估结果

在 STS.en-el.txt 上的相似度评估（为评估目的手动翻译）

我们测量不同语言句子对之间的语义文本相似度 (STS)：

翻译

我们测量翻译准确度。给定一个源句子列表，例如 1000 个英语句子。以及一个匹配的目标（翻译）句子列表，例如 1000 个希腊语句子。对于每个句子对，我们检查它们的嵌入是否使用余弦相似度最接近。即，对于每个 src_sentences[i]，我们检查 trg_sentences[i] 是否在所有目标句子中具有最高的相似度。如果是这种情况，我们就算作命中，否则为错误。此评估器报告准确度（越高越好）。

训练

该模型使用以下参数进行训练：

DataLoader:

torch.utils.data.dataloader.DataLoader 长度为 135121，参数如下：

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.MSELoss.MSELoss

fit() 方法的参数：

{
    "callback": null,
    "epochs": 4,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.SequentialEvaluator.SequentialEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "correct_bias": false,
        "eps": 1e-06,
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 10000,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 400, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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})
)

致谢

这项研究工作得到了希腊研究与创新基金会 (HFRI) 的支持，该项目属于 HFRI 博士奖学金资助（奖学金编号：50，第二次征集）

引用与作者

希腊语模型的引用信息：待定

基于 Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation 的迁移学习方法