shibing624/text2vec-base-chinese

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

它将句子映射到768维的密集向量空间，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，请参阅评估基准：text2vec

• 中文文本匹配任务：

说明：

• 结果评测指标：spearman系数
• shibing624/text2vec-base-chinese模型，是用CoSENT方法训练，基于hfl/chinese-macbert-base在中文STS-B数据训练得到，并在中文STS-B测试集评估达到较好效果，运行examples/training_sup_text_matching_model.py代码可训练模型，模型文件已经上传HF model hub，中文通用语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-sentence模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh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测试集评估达到较好效果，运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已经上传HF model hub，中文s2s(句子vs句子)语义匹配任务推荐使用
• shibing624/text2vec-base-chinese-paraphrase模型，是用CoSENT方法训练，基于nghuyong/ernie-3.0-base-zh用人工挑选后的中文STS数据集shibing624/nli-zh-all/text2vec-base-chinese-paraphrase-dataset，数据集相对于shibing624/nli-zh-all/text2vec-base-chinese-sentence-dataset加入了s2p(sentence to paraphrase)数据，强化了其长文本的表征能力，并在中文各NLI测试集评估达到SOTA，运行examples/training_sup_text_matching_model_jsonl_data.py代码可训练模型，模型文件已经上传HF model hub，中文s2p(句子vs段落)语义匹配任务推荐使用
• sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型是用SBERT训练，是paraphrase-MiniLM-L12-v2模型的多语言版本，支持中文、英文等
• w2v-light-tencent-chinese是腾讯词向量的Word2Vec模型，CPU加载使用，适用于中文字面匹配任务和缺少数据的冷启动情况

使用方法 (text2vec)

当您安装了text2vec后，使用此模型变得非常简单：

pip install -U text2vec

然后您可以这样使用该模型：

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)

如果没有text2vec，您可以这样使用该模型：

首先，将输入通过transformer模型，然后需要在上下文词嵌入之上应用正确的池化操作。

安装transformers：

pip install transformers

然后加载模型并进行预测：

from transformers import BertTokenizer, BertModel
import torch

# Mean Pooling - 结合attention mask进行正确的平均计算
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # model_output的第一个元素包含所有token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)

# 从HuggingFace Hub加载模型
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-base-chinese')
model = BertModel.from_pretrained('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']
# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算token嵌入
with torch.no_grad():
    model_output = model(**encoded_input)
# 执行池化。在本例中，使用mean pooling。
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("句子嵌入：")
print(sentence_embeddings)

使用方法 (sentence-transformers)

sentence-transformers是一个流行的库，用于计算句子的密集向量表示。

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("句子嵌入：")
print(sentence_embeddings)

模型加速

简而言之：

1. ✅ shibing624/text2vec-base-chinese (onnx-O4)，ONNX优化至O4不降低性能，但可在GPU上获得约2倍加速。
2. ✅ shibing624/text2vec-base-chinese (ov)，OpenVINO不降低性能，但可在CPU上获得1.12倍加速。
3. 🟡 shibing624/text2vec-base-chinese (ov-qint8)，使用OV进行int8量化在某些任务上会有轻微性能下降，在其他任务上会有轻微性能提升（使用中文 STSB进行量化时）。此外，它可在CPU上获得4.78倍加速。

• 使用方法：shibing624/text2vec-base-chinese (onnx-O4)，用于GPU

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "shibing624/text2vec-base-chinese",
    backend="onnx",
    model_kwargs={"file_name": "model_O4.onnx"},
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)

• 使用方法：shibing624/text2vec-base-chinese (ov)，用于CPU

# pip install 'optimum[openvino]'

from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "shibing624/text2vec-base-chinese",
    backend="openvino",
)

embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)

• 使用方法：shibing624/text2vec-base-chinese (ov-qint8)，用于CPU

# pip install optimum
from sentence_transformers import SentenceTransformer

model = SentenceTransformer(
    "shibing624/text2vec-base-chinese",
    backend="onnx",
    model_kwargs={"file_name": "model_qint8_avx512_vnni.onnx"},
)
embeddings = model.encode(["如何更换花呗绑定银行卡", "花呗更改绑定银行卡", "你是谁"])
print(embeddings.shape)
similarities = model.similarity(embeddings, embeddings)
print(similarities)

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，它输出一个捕获语义信息的向量。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

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

微调

我们使用对比目标对模型进行微调。形式上，我们计算批处理中每个可能句子对的余弦相似度。 然后通过与正样本对和负样本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

该模型由text2vec训练。

如果您觉得这个模型有帮助，请引用：

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