/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
MIT
Архитектура
bert · dense
Библиотека
sentence-transformers
Опубликована
2 мар 2022

scincl

ЭмбеддингиТекст → embedding5 профессий

SciNCL создаёт эмбеддинги научных статей для семантического поиска, сравнения и рекомендаций публикаций.

8 900скачиваний за 30 дней35лайковвеса обновлены4 июн 2024

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

SciNCL — англоязычная модель на архитектуре BERT для получения векторных представлений научных документов. Её разработчики обучили её для работы с исследовательскими статьями; модель содержит 137,1 млн параметров и рассчитана на вход длиной до 512 токенов.

Для контрастивного обучения использовались соседства статей в графе цитирований S2ORC. Инициализация выполнена весами SciBERT scibert-scivocab-uncased. SciNCL подходит для поиска и сравнения научных публикаций по смыслу, рекомендаций статей и задач ранжирования или группировки документов. В README приведены результаты оценки на SciDocs.

Модель выдаёт эмбеддинги, а не готовые ответы на вопросы. Для применения к медицинским статьям README предлагает специализированную альтернативу PubMedNCL. Лицензия модели — MIT.

Сценарии применения

  • семантический поиск по корпусу научных статей
  • поиск похожих исследовательских публикаций
  • рекомендация статей читателям
  • сравнение научных документов по смыслу
  • группировка публикаций по тематической близости

Ограничения

Контекст ограничен 512 токенами, поэтому при работе с длинными статьями может потребоваться сегментация. Модель формирует эмбеддинги и сама по себе не генерирует ответы или краткие изложения.

Для каких профессий подходит5

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

SciNCL

SciNCL is a pre-trained BERT language model to generate document-level embeddings of research papers. It uses the citation graph neighborhood to generate samples for contrastive learning. Prior to the contrastive training, the model is initialized with weights from scibert-scivocab-uncased. The underlying citation embeddings are trained on the S2ORC citation graph.

Paper: Neighborhood Contrastive Learning for Scientific Document Representations with Citation Embeddings (EMNLP 2022 paper).

Code: https://github.com/malteos/scincl

PubMedNCL: Working with biomedical papers? Try PubMedNCL.

How to use the pretrained model

Sentence Transformers

from sentence_transformers import SentenceTransformer

# Load the model
model = SentenceTransformer("malteos/scincl")

# Concatenate the title and abstract with the [SEP] token
papers = [
    "BERT [SEP] We introduce a new language representation model called BERT",
    "Attention is all you need [SEP] The dominant sequence transduction models are based on complex recurrent or convolutional neural networks",
]
# Inference
embeddings = model.encode(papers)

# Compute the (cosine) similarity between embeddings
similarity = model.similarity(embeddings[0], embeddings[1])
print(similarity.item())
# => 0.8440517783164978

Transformers

from transformers import AutoTokenizer, AutoModel

# load model and tokenizer
tokenizer = AutoTokenizer.from_pretrained('malteos/scincl')
model = AutoModel.from_pretrained('malteos/scincl')

papers = [{'title': 'BERT', 'abstract': 'We introduce a new language representation model called BERT'},
          {'title': 'Attention is all you need', 'abstract': ' The dominant sequence transduction models are based on complex recurrent or convolutional neural networks'}]

# concatenate title and abstract with [SEP] token
title_abs = [d['title'] + tokenizer.sep_token + (d.get('abstract') or '') for d in papers]

# preprocess the input
inputs = tokenizer(title_abs, padding=True, truncation=True, return_tensors="pt", max_length=512)

# inference
result = model(**inputs)

# take the first token ([CLS] token) in the batch as the embedding
embeddings = result.last_hidden_state[:, 0, :]

# calculate the similarity
embeddings = torch.nn.functional.normalize(embeddings, p=2, dim=1)
similarity = (embeddings[0] @ embeddings[1].T)
print(similarity.item())
# => 0.8440518379211426

Triplet Mining Parameters

SettingValue
seed4
triples_per_query5
easy_positives_count5
easy_positives_strategy5
easy_positives_k20-25
easy_negatives_count3
easy_negatives_strategyrandom_without_knn
hard_negatives_count2
hard_negatives_strategyknn
hard_negatives_k3998-4000

SciDocs Results

These model weights are the ones that yielded the best results on SciDocs (seed=4). In the paper we report the SciDocs results as mean over ten seeds.

modelmag-f1mesh-f1co-view-mapco-view-ndcgco-read-mapco-read-ndcgcite-mapcite-ndcgcocite-mapcocite-ndcgrecomm-ndcgrecomm-P@1Avg
Doc2Vec66.269.267.882.964.981.665.382.267.183.451.716.966.6
fasttext-sum78.184.176.587.975.387.474.688.177.889.652.51874.1
SGC76.882.777.28875.787.591.696.284.192.552.718.276.9
SciBERT79.780.750.773.147.771.148.371.749.772.652.117.959.6
SPECTER8286.483.691.584.592.488.394.988.194.853.92080
SciNCL (10 seeds)81.488.785.392.387.593.993.697.391.696.453.919.381.8
SciNCL (seed=4)81.289.085.392.287.794.093.697.491.796.554.319.681.9

Additional evaluations are available in the paper.

License

MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
ebc5348

0 моделей