multi-qa-MiniLM-L6-dot-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。它已在来自不同来源的 2.15 亿个（问题，答案）对上进行了训练。关于语义搜索的介绍，请参阅：SBERT.net - 语义搜索

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-dot-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)

使用方法 (HuggingFace Transformers)

若不使用 sentence-transformers，可按以下方式使用模型：首先将输入传入 transformer 模型，然后对词嵌入结果执行相应的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

#CLS Pooling - Take output from first token
def cls_pooling(model_output):
    return model_output.last_hidden_state[:,0]

#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 = cls_pooling(model_output)

    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-dot-v1")
model = AutoModel.from_pretrained("sentence-transformers/multi-qa-MiniLM-L6-dot-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)

技术细节

以下是关于如何使用此模型的技术细节：

背景

该项目旨在使用自监督对比学习目标在非常大规规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：给定数据集中的一对句子，模型应该预测在这组随机采样的其他句子中，哪个句子实际上是与我这个句子配对的。

这个模型是在 Hugging Face 组织的社区周 - 使用 JAX/Flax 进行 NLP 和 CV 期间开发的。我们作为以下项目的一部分开发了这个模型： 使用 10 亿训练对训练史上最好的句子嵌入模型。我们受益于高效硬件基础设施：7 个 TPU v3-8，以及来自 Google 的 Flax、JAX 和云团队成员关于高效深度学习框架的指导。

预期用途

我们的模型用于语义搜索：它将查询/问题和文本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。

请注意，存在 512 个词片的限制：超过该长度的文本将被截断。另外请注意，该模型仅在最长 250 个词片的输入文本上进行过训练。对于较长的文本，它可能效果不佳。

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。请参阅模型卡片以获取有关预训练程序的更多详细信息。

训练

我们使用多个数据集的合并来微调模型。总共我们有约 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，具体配置详见 data_config.json 文件。

该模型使用 MultipleNegativesRankingLoss 进行训练，使用 CLS 池化，点积作为相似度函数，缩放值为 1。