multi-qa-MiniLM-L6-cos-v1

这是一个 sentence-transformers 模型：它将句子和段落映射到 384 维的密集向量空间，专为语义搜索设计。它基于来自不同来源的 2.15 亿个（问题，答案）对进行训练。关于语义搜索的入门介绍，请参阅：SBERT.net - Semantic Search

使用方法 (Sentence-Transformers)

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

pip install -U sentence-transformers

然后你可以这样使用模型：

from sentence_transformers import SentenceTransformer, util

query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

#Load the model
model = SentenceTransformer('sentence-transformers/multi-qa-MiniLM-L6-cos-v1')

#Encode query and documents
query_emb = model.encode(query)
doc_emb = model.encode(docs)

#Compute dot score between query and all document embeddings
scores = util.dot_score(query_emb, doc_emb)[0].cpu().tolist()

#Combine docs & scores
doc_score_pairs = list(zip(docs, scores))

#Sort by decreasing score
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

#Output passages & scores
for doc, score in doc_score_pairs:
    print(score, doc)

PyTorch 使用方法 (HuggingFace Transformers)

如果没有 sentence-transformers，你可以这样使用模型：首先将输入传递给 transformer 模型，然后必须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
import torch.nn.functional as F

#Mean Pooling - Take average of all tokens
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output.last_hidden_state
    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)


#Encode text
def encode(texts):
    # Tokenize sentences
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')

    # Compute token embeddings
    with torch.no_grad():
        model_output = model(**encoded_input, return_dict=True)

    # Perform pooling
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

    # Normalize embeddings
    embeddings = F.normalize(embeddings, p=2, dim=1)
	
    return embeddings


# Sentences we want sentence embeddings for
query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/multi-qa-MiniLM-L6-cos-v1")
model = AutoModel.from_pretrained("sentence-transformers/multi-qa-MiniLM-L6-cos-v1")

#Encode query and docs
query_emb = encode(query)
doc_emb = encode(docs)

#Compute dot score between query and all document embeddings
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()

#Combine docs & scores
doc_score_pairs = list(zip(docs, scores))

#Sort by decreasing score
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

#Output passages & scores
for doc, score in doc_score_pairs:
    print(score, doc)

TensorFlow 使用方法 (HuggingFace Transformers)

与上面的 PyTorch 示例类似，要使用 TensorFlow 使用模型，你需要将输入传递给 transformer 模型，然后必须在上下文词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, TFAutoModel
import tensorflow as tf

#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output.last_hidden_state
    input_mask_expanded = tf.cast(tf.tile(tf.expand_dims(attention_mask, -1), [1, 1, token_embeddings.shape[-1]]), tf.float32)
    return tf.math.reduce_sum(token_embeddings * input_mask_expanded, 1) / tf.math.maximum(tf.math.reduce_sum(input_mask_expanded, 1), 1e-9)


#Encode text
def encode(texts):
    # Tokenize sentences
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='tf')

    # Compute token embeddings
    model_output = model(**encoded_input, return_dict=True)

    # Perform pooling
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

    # Normalize embeddings
    embeddings = tf.math.l2_normalize(embeddings, axis=1)

    return embeddings


# Sentences we want sentence embeddings for
query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/multi-qa-MiniLM-L6-cos-v1")
model = TFAutoModel.from_pretrained("sentence-transformers/multi-qa-MiniLM-L6-cos-v1")

#Encode query and docs
query_emb = encode(query)
doc_emb = encode(docs)

#Compute dot score between query and all document embeddings
scores = (query_emb @ tf.transpose(doc_emb))[0].numpy().tolist()

#Combine docs & scores
doc_score_pairs = list(zip(docs, scores))

#Sort by decreasing score
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

#Output passages & scores
for doc, score in doc_score_pairs:
    print(score, doc)

技术细节

以下是关于如何使用此模型的一些技术细节：

注意：当使用 sentence-transformers 加载时，此模型产生的嵌入长度为 1（即归一化嵌入）。在这种情况下，点积和余弦相似度是等价的。点积更受欢迎，因为它更快。欧氏距离与点积成正比，也可以使用。

背景

该项目旨在使用自监督对比学习目标在非常大的句子级数据集上训练句子嵌入模型。我们使用对比学习目标：给定一对句子中的某个句子，模型应该预测在数据集中与它配对的实际上是随机采样的其他句子中的哪一个。

我们是在 Hugging Face 组织的社区周 - JAX/Flax 用于 NLP 和 CV期间开发这个模型的。作为项目的一部分：用 10 亿训练对训练最好的句子嵌入模型。我们受益于高效硬件基础设施来运行项目：7 个 TPU v3-8，以及来自 Google Flax、JAX 和 Cloud 团队成员关于高效深度学习框架的指导。

预期用途

我们的模型旨在用于语义搜索：它将查询/问题和对文章段落编码到密集向量空间中。它可以为给定的段落找到相关文档。

注意：有 512 个词片的限制：超过该长度的文本将被截断。另外请注意，模型仅在最多 250 个词片的输入文本上进行训练。对于较长的文本，它可能无法很好地工作。

训练过程

完整的训练脚本可以在当前仓库中访问：train_script.py。

预训练

我们使用预训练的 nreimers/MiniLM-L6-H384-uncased 模型。关于预训练过程的更多详细信息，请参阅模型卡片。

训练

我们使用多个数据集的连接来微调我们的模型。总共有约 2.15 亿个（问题，答案）对。 我们根据加权概率对每个数据集进行采样，配置详情在 data_config.json 文件中。

该模型使用 MultipleNegativesRankingLoss 进行训练，使用 Mean-pooling、余弦相似度作为相似度函数，缩放系数为 20。