/ Модель

Характеристики

Контекст
512 токенов
Параметры
424 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
22 окт 2022

Erlangshen-TCBert-330M-Sentence-Embedding-Chinese

Заполнение пропусковТекст → текст6 профессий

Китайская BERT-модель TCBert для представления предложений, тематической классификации и оценки сходства китайского текста.

45скачиваний за 30 дней9лайковвеса обновлены21 июн 2023

Бенчмарки

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

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

Erlangshen-TCBert-330M-Sentence-Embedding-Chinese — китайская модель семейства BERT, разработанная командой Fengshenbang/IDEA-CCNL. Это TCBert с заявленными в карточке 330 млн параметров; метаданные указывают 424,3 млн параметров. Модель предварительно обучена на многочисленных наборах данных классификации тем с помощью контрастного обучения на основе промптов, чтобы формировать представления предложений для задач тематической классификации.

Модель рассчитана на китайский текст, имеет контекст до 512 токенов и опубликована в формате PyTorch. Её можно применять для получения векторных представлений предложений, тематической классификации и оценки сходства предложений, в том числе с промптами и whitening, как описано в карточке. Метаданные Hugging Face задают задачу fill-mask, поэтому модель также может предсказывать замаскированные токены.

Лицензия — Apache-2.0. Карточка приводит результаты экспериментов на TNEWS, CSLDCP и IFLYTEK; показатели зависят от шаблонов промптов и обработки представлений. Для получения векторов и выполнения задач классификации потребуется подходящий downstream-код; самой карточкой не заявлены отдельные специализированные области применения помимо классификации тем.

Сценарии применения

  • получение векторных представлений китайских предложений
  • классификация китайских новостей по темам
  • классификация китайских текстов по тематическим категориям
  • оценка сходства китайских предложений
  • предсказание замаскированных токенов в китайском тексте

Ограничения

Карточка описывает предварительное обучение для классификации тем и приводит эксперименты на китайских наборах данных; перенос на другие языки и задачи отдельно не подтверждён. Для получения эмбеддингов и классификационных результатов нужны подходящие промпты и downstream-обработка.

Для каких профессий подходит6

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

IDEA-CCNL/Erlangshen-TCBert-330M-Sentence-Embedding-Chinese

简介 Brief Introduction

330M参数的句子表征Topic Classification BERT (TCBert)。

The TCBert with 330M parameters is pre-trained for sentence representation for Chinese topic classification tasks.

模型分类 Model Taxonomy

需求 Demand任务 Task系列 Series模型 Model参数 Parameter额外 Extra
通用 General句子表征二郎神 ErlangshenTCBert (sentence representation)330MChinese

模型信息 Model Information

为了提高模型在话题分类上句子表征效果,我们收集了大量话题分类数据进行基于prompts的对比学习预训练。

To improve the model performance on sentence representation for the topic classification task, we collected numerous topic classification datasets for contrastive pre-training based on general prompts.

下游效果 Performance

我们为每个数据集设计了两个prompt模板。

We customize two prompts templates for each dataset.

第一个prompt模板:

For prompt template 1:

DatasetPrompt template 1
TNEWS下面是一则关于__的新闻:
CSLDCP这一句描述__的内容如下:
IFLYTEK这一句描述__的内容如下:

第一个prompt模板的微调实验结果:

The fine-tuning results for prompt template 1:

ModelTNEWSCLSDCPIFLYTEK
Macbert-base55.0257.3751.34
Macbert-large55.7758.9950.31
Erlangshen-1.3B57.3662.3553.23
TCBert-base110M-Classification-Chinese55.5758.6049.63
TCBert-large330M-Classification-Chinese56.1760.0651.34
TCBert-1.3B1.3B-Classification-Chinese57.4165.1053.75
TCBert-base110M-Sentence-Embedding-Chinese54.6859.7849.40
TCBert-large330M-Sentence-Embedding-Chinese55.3262.0751.11
TCBert-1.3B1.3B-Sentence-Embedding-Chinese57.4665.0453.06

第一个prompt模板的句子相似度结果:

The sentence similarity results for prompt template 1:

TNEWSCSLDCPIFLYTEK
Modelreferecewhiteningreferencewhiteningreferencewhitening
Macbert-base43.5347.1633.5036.5328.9933.85
Macbert-large46.1749.3537.6539.3832.3635.33
Erlangshen-1.3B45.7249.6040.5644.2629.3336.48
TCBert-base110M-Classification-Chinese48.6151.9943.3145.1533.4537.28
TCBert-large330M-Classification-Chinese50.5052.7952.8953.8934.9338.31
TCBert-1.3B1.3B-Classification-Chinese50.8051.5951.9354.1233.9638.08
TCBert-base110M-Sentence-Embedding-Chinese45.8247.0642.9143.8733.2834.76
TCBert-large330M-Sentence-Embedding-Chinese50.1050.9053.7853.3337.6236.94
TCBert-1.3B1.3B-Sentence-Embedding-Chinese50.7053.4852.6654.4036.8838.48

第二个prompt模板:

For prompt template 2:

DatasetPrompt template 2
TNEWS接下来的新闻,是跟__相关的内容:
CSLDCP接下来的学科,是跟__相关:
IFLYTEK接下来的生活内容,是跟__相关:

第二个prompt模板的微调结果:

The fine-tuning results for prompt template 2:

ModelTNEWSCLSDCPIFLYTEK
Macbert-base54.7858.3850.83
Macbert-large56.7760.2251.63
Erlangshen-1.3B57.8162.8052.77
TCBert-base110M-Classification-Chinese54.5859.1649.80
TCBert-large330M-Classification-Chinese56.2261.2350.77
TCBert-1.3B1.3B-Classification-Chinese57.4164.8253.34
TCBert-base110M-Sentence-Embedding-Chinese54.6859.7849.40
TCBert-large330M-Sentence-Embedding-Chinese55.3262.0751.11
TCBert-1.3B1.3B-Sentence-Embedding-Chinese56.8765.8352.94

第二个prompt模板的句子相似度结果:

The sentence similarity results for prompt template 2:

TNEWSCSLDCPIFLYTEK
Modelreferecewhiteningreferencewhiteningreferencewhitening
Macbert-base42.2945.2234.2337.4829.6234.13
Macbert-large46.2249.6040.1144.2632.3635.16
Erlangshen-1.3B46.1749.1040.4545.8830.3636.88
TCBert-base110M-Classification-Chinese48.3151.3443.4245.2733.1036.19
TCBert-large330M-Classification-Chinese51.1951.6952.5553.2834.3137.45
TCBert-1.3B1.3B-Classification-Chinese52.1452.3951.7153.8933.6238.14
TCBert-base110M-Sentence-Embedding-Chinese46.7248.8643.1943.5334.0835.79
TCBert-large330M-Sentence-Embedding-Chinese50.6551.9453.8453.6737.7436.65
TCBert-1.3B1.3B-Sentence-Embedding-Chinese50.7554.7851.4354.3436.4838.36

更多关于TCBERTs的细节,请参考我们的技术报告。基于新的数据,我们会更新TCBERTs,请留意我们仓库的更新。

For more details about TCBERTs, please refer to our paper. We may regularly update TCBERTs upon new coming data, please keep an eye on the repo!

使用 Usage

使用示例 Usage Examples

# Prompt-based MLM fine-tuning
from transformers import BertForMaskedLM, BertTokenizer
import torch

# Loading models
tokenizer=BertTokenizer.from_pretrained("IDEA-CCNL/Erlangshen-TCBert-330M-Sentence-Embedding-Chinese")
model=BertForMaskedLM.from_pretrained("IDEA-CCNL/Erlangshen-TCBert-330M-Sentence-Embedding-Chinese")

# Prepare the data
inputs = tokenizer("下面是一则关于[MASK][MASK]的新闻:怎样的房子才算户型方正?", return_tensors="pt")
labels = tokenizer("下面是一则关于房产的新闻:怎样的房子才算户型方正?", return_tensors="pt")["input_ids"]
labels = torch.where(inputs.input_ids == tokenizer.mask_token_id, labels, -100)

# Output the loss
outputs = model(**inputs, labels=labels)
loss = outputs.loss

# Prompt-based Sentence Similarity
# To extract sentence representations.
from transformers import BertForMaskedLM, BertTokenizer
import torch

# Loading models
tokenizer=BertTokenizer.from_pretrained("IDEA-CCNL/Erlangshen-TCBert-330M-Sentence-Embedding-Chinese")
model=BertForMaskedLM.from_pretrained("IDEA-CCNL/Erlangshen-TCBert-330M-Sentence-Embedding-Chinese")

# Cosine similarity function
cos = torch.nn.CosineSimilarity(dim=0, eps=1e-8)

with torch.no_grad():

    # To extract sentence representations for training data
    training_input = tokenizer("怎样的房子才算户型方正?", return_tensors="pt")
    training_output = BertForMaskedLM(**token_text, output_hidden_states=True)
    training_representation = torch.mean(training_outputs.hidden_states[-1].squeeze(), dim=0)

    # To extract sentence representations for training data
    test_input = tokenizer("下面是一则关于[MASK][MASK]的新闻:股票放量下趺,大资金出逃谁在接盘?", return_tensors="pt")
    test_output = BertForMaskedLM(**token_text, output_hidden_states=True)
    test_representation = torch.mean(training_outputs.hidden_states[-1].squeeze(), dim=0)

# Calculate similarity scores
similarity_score = cos(training_representation, test_representation)

引用 Citation

如果您在您的工作中使用了我们的模型,可以引用我们的技术报告:

If you use for your work, please cite the following paper

@article{han2022tcbert,
  title={TCBERT: A Technical Report for Chinese Topic Classification BERT},
  author={Han, Ting and Pan, Kunhao and Chen, Xinyu and Song, Dingjie and Fan, Yuchen and Gao, Xinyu and Gan, Ruyi and Zhang, Jiaxing},
  journal={arXiv preprint arXiv:2211.11304},
  year={2022}
}

如果您在您的工作中使用了我们的模型,可以引用我们的网站:

You can also cite our website:

@misc{Fengshenbang-LM,
  title={Fengshenbang-LM},
  author={IDEA-CCNL},
  year={2021},
  howpublished={\url{https://github.com/IDEA-CCNL/Fengshenbang-LM}},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · fill-mask

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForMaskedLM
Ревизия весов
89f4b49

0 моделей