multi-qa-distilbert-dot-v1

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，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 - 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该模型：

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-distilbert-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)

如果没有 sentence-transformers，你可以这样使用该模型：首先将输入传递给 transformer 模型，然后需要在上下文词嵌入的顶部应用正确的池化操作。

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

以下是该模型使用方式的一些技术细节：

背景

该项目旨在使用非常大规模的句子级数据集和自监督对比学习目标来训练句子嵌入模型。我们使用对比学习目标：给定一对中的一个句子，模型应该预测在数据集中与它配对的另一个句子是什么（从随机采样的其他句子中）。

这个模型是在 Hugging Face 社区周 - JAX/Flax 用于 NLP 和 CV 期间开发的，作为项目的一部分：使用 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该项目：7 个 TPU v3-8，以及来自 Google 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稠密向量空间中，为给定的段落找到相关文档。

请注意有 512 个词片的限制：超过此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训练过。对于较长的文本，它可能效果不佳。

训练过程

完整的训练脚本可在当前仓库中访问：train_script.py。

预训练

我们使用预训练的 distilbert-base-uncased 模型。关于预训练程序的更多详细信息，请参阅模型卡片。

训练

我们使用多个数据集的合并来微调模型。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，具体配置在 data_config.json 文件中详细说明。

该模型使用 MultipleNegativesRankingLoss 进行训练，采用 CLS 池化、点积作为相似度函数，缩放系数为 1。