/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Архитектура
roberta · dense
Опубликована
8 мар 2023

KoSimCSE-Unsup-RoBERTa

ЭмбеддингиТекст → embedding7 профессий

Модель на основе RoBERTa строит эмбеддинги корейских предложений для семантического поиска и кластеризации.

122скачиваний за 30 дней1лайквеса обновлены19 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

BM-K/KoSimCSE-Unsup-RoBERTa — модель корейских векторных представлений предложений из семейства KoSimCSE. Она основана на RoBERTa и предназначена для получения эмбеддингов текста, которые можно использовать для сравнения семантической близости предложений.

Модель подходит для семантического поиска и кластеризации корейских текстов. В карточке указано 137,8 млн параметров и контекст до 514 токенов; доступны веса PyTorch и Safetensors. README описывает обучение KoSimCSE без разметки на корпусе Wikipedia и приводит семантический поиск и кластеризацию как downstream-задачи.

Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

  • семантический поиск по корейским предложениям
  • кластеризация корейских текстов по смыслу
  • поиск похожих корейских фраз
  • сравнение семантической близости корейских предложений

Ограничения

Рассчитана на корейский язык, поэтому её применимость к другим языкам не подтверждена. В предоставленных данных не указана лицензия.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Korean-Sentence-Embedding

Korean sentence embedding repository. You can download the pre-trained models and inference right away, also it provides environments where individuals can train models.

Quick tour

Note All the pretrained models are uploaded in Huggingface Model Hub. Check https://huggingface.co/BM-K

import torch
from transformers import AutoModel, AutoTokenizer

def cal_score(a, b):
    if len(a.shape) == 1: a = a.unsqueeze(0)
    if len(b.shape) == 1: b = b.unsqueeze(0)

    a_norm = a / a.norm(dim=1)[:, None]
    b_norm = b / b.norm(dim=1)[:, None]
    return torch.mm(a_norm, b_norm.transpose(0, 1)) * 100

model = AutoModel.from_pretrained('BM-K/KoSimCSE-roberta-multitask')  # or 'BM-K/KoSimCSE-bert-multitask'
tokenizer = AutoTokenizer.from_pretrained('BM-K/KoSimCSE-roberta-multitask')  # or 'BM-K/KoSimCSE-bert-multitask'

sentences = ['치타가 들판을 가로 질러 먹이를 쫓는다.',
             '치타 한 마리가 먹이 뒤에서 달리고 있다.',
             '원숭이 한 마리가 드럼을 연주한다.']

inputs = tokenizer(sentences, padding=True, truncation=True, return_tensors="pt")
embeddings, _ = model(**inputs, return_dict=False)

score01 = cal_score(embeddings[0][0], embeddings[1][0])  # 84.09
# '치타가 들판을 가로 질러 먹이를 쫓는다.' @ '치타 한 마리가 먹이 뒤에서 달리고 있다.'
score02 = cal_score(embeddings[0][0], embeddings[2][0])  # 23.21
# '치타가 들판을 가로 질러 먹이를 쫓는다.' @ '원숭이 한 마리가 드럼을 연주한다.'

Update history

** Updates on Mar.08.2023 **

  • Update Unsupervised Models

** Updates on Feb.24.2023 **

  • Upload KoSimCSE clustering example

** Updates on Nov.15.2022 **

  • Upload KoDiffCSE-unsupervised training code

** Updates on Oct.27.2022 **

  • Upload KoDiffCSE-unsupervised performance

** Updates on Oct.21.2022 **

  • Upload KoSimCSE-unsupervised performance

** Updates on Jun.01.2022 **

  • Release KoSimCSE-multitask models

** Updates on May.23.2022 **

  • Upload KoSentenceT5 training code
  • Upload KoSentenceT5 performance

** Updates on Mar.01.2022 **

  • Release KoSimCSE

** Updates on Feb.11.2022 **

  • Upload KoSimCSE training code
  • Upload KoSimCSE performance

** Updates on Jan.26.2022 **

  • Upload KoSBERT training code
  • Upload KoSBERT performance

Baseline Models

Baseline models used for korean sentence embedding - KLUE-PLMs

ModelEmbedding sizeHidden size# Layers# Heads
KLUE-BERT-base7687681212
KLUE-RoBERTa-base7687681212

Warning Large pre-trained models need a lot of GPU memory to train

Available Models

  1. Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks [SBERT]-[EMNLP 2019]
  2. SimCSE: Simple Contrastive Learning of Sentence Embeddings [SimCSE]-[EMNLP 2021]
  3. Sentence-T5: Scalable Sentence Encoders from Pre-trained Text-to-Text Models [Sentence-T5]-[ACL findings 2022]
  4. DiffCSE: Difference-based Contrastive Learning for Sentence Embeddings [DiffCSE]-[NAACL 2022]

Datasets

Setups

Python Pytorch

KoSentenceBERT

  • 🤗 Model Training
  • Dataset (Supervised)
    • Training: snli_1.0_train.ko.tsv, sts-train.tsv (multi-task)
      • Performance can be further improved by adding multinli data to training.
    • Validation: sts-dev.tsv
    • Test: sts-test.tsv

KoSimCSE

  • 🤗 Model Training
  • Dataset (Supervised)
    • Training: snli_1.0_train.ko.tsv + multinli.train.ko.tsv (Supervised setting)
    • Validation: sts-dev.tsv
    • Test: sts-test.tsv
  • Dataset (Unsupervised)
    • Training: wiki_corpus.txt
    • Validation: sts-dev.tsv
    • Test: sts-test.tsv

KoSentenceT5

  • 🤗 Model Training
  • Dataset (Supervised)
    • Training: snli_1.0_train.ko.tsv + multinli.train.ko.tsv
    • Validation: sts-dev.tsv
    • Test: sts-test.tsv

KoDiffCSE

  • 🤗 Model Training
  • Dataset (Unsupervised)
    • Training: wiki_corpus.txt
    • Validation: sts-dev.tsv
    • Test: sts-test.tsv

Performance-supervised

ModelAverageCosine PearsonCosine SpearmanEuclidean PearsonEuclidean SpearmanManhattan PearsonManhattan SpearmanDot PearsonDot Spearman
KoSBERT†SKT77.4078.8178.4777.6877.7877.7177.8375.7575.22
KoSBERT80.3982.1382.2580.6780.7580.6980.7877.9677.90
KoSRoBERTa81.6481.2082.2081.7982.3481.5982.2080.6281.25
KoSentenceBART77.1479.7178.7478.4278.0278.4078.0074.2472.15
KoSentenceT577.8380.8779.7480.2479.3680.1979.2772.8170.17
KoSimCSE-BERT†SKT81.3282.1282.5681.8481.6381.9981.7479.5579.19
KoSimCSE-BERT83.3783.2283.5883.2483.6083.1583.5483.1383.49
KoSimCSE-RoBERTa83.6583.6083.7783.5483.7683.5583.7783.5583.64
KoSimCSE-BERT-multitask85.7185.2986.0285.6386.0185.5785.9785.2685.93
KoSimCSE-RoBERTa-multitask85.7785.0886.1285.8486.1285.8386.1285.0385.99

Performance-unsupervised

ModelAverageCosine PearsonCosine SpearmanEuclidean PearsonEuclidean SpearmanManhattan PearsonManhattan SpearmanDot PearsonDot Spearman
KoSRoBERTa-base†N/AN/A48.96N/AN/AN/AN/AN/AN/A
KoSRoBERTa-large†N/AN/A51.35N/AN/AN/AN/AN/AN/A
KoSimCSE-BERT74.0874.9273.9874.1574.2274.0774.0774.1573.14
KoSimCSE-RoBERTa75.2775.9375.0075.2875.0175.1774.8375.9575.01
KoDiffCSE-RoBERTa77.1777.7376.9677.2176.8977.1176.8177.7476.97

Downstream tasks

License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

References

@misc{park2021klue,
    title={KLUE: Korean Language Understanding Evaluation},
    author={Sungjoon Park and Jihyung Moon and Sungdong Kim and Won Ik Cho and Jiyoon Han and Jangwon Park and Chisung Song and Junseong Kim and Yongsook Song and Taehwan Oh and Joohong Lee and Juhyun Oh and Sungwon Lyu and Younghoon Jeong and Inkwon Lee and Sangwoo Seo and Dongjun Lee and Hyunwoo Kim and Myeonghwa Lee and Seongbo Jang and Seungwon Do and Sunkyoung Kim and Kyungtae Lim and Jongwon Lee and Kyumin Park and Jamin Shin and Seonghyun Kim and Lucy Park and Alice Oh and Jung-Woo Ha and Kyunghyun Cho},
    year={2021},
    eprint={2105.09680},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

@inproceedings{gao2021simcse,
   title={{SimCSE}: Simple Contrastive Learning of Sentence Embeddings},
   author={Gao, Tianyu and Yao, Xingcheng and Chen, Danqi},
   booktitle={Empirical Methods in Natural Language Processing (EMNLP)},
   year={2021}
}

@article{ham2020kornli,
  title={KorNLI and KorSTS: New Benchmark Datasets for Korean Natural Language Understanding},
  author={Ham, Jiyeon and Choe, Yo Joong and Park, Kyubyong and Choi, Ilji and Soh, Hyungjoon},
  journal={arXiv preprint arXiv:2004.03289},
  year={2020}
}

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "http://arxiv.org/abs/1908.10084",
}

@inproceedings{chuang2022diffcse,
   title={{DiffCSE}: Difference-based Contrastive Learning for Sentence Embeddings},
   author={Chuang, Yung-Sung and Dangovski, Rumen and Luo, Hongyin and Zhang, Yang and Chang, Shiyu and Soljacic, Marin and Li, Shang-Wen and Yih, Wen-tau and Kim, Yoon and Glass, James},
   booktitle={Annual Conference of the North American Chapter of the Association for Computational Linguistics (NAACL)},
   year={2022}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
RobertaModel
Ревизия весов
2ad405e

0 моделей