/ Модель

Характеристики

Контекст
512 токенов
Параметры
138 млн
Лицензия
CC BY-SA 4.0
Архитектура
bert · dense
Опубликована
26 дек 2022

simcse-ja-bert-base-clcmlp

ЭмбеддингиТекст → embedding8 профессий

Японская модель SimCSE на базе BERT-base для получения эмбеддингов и сравнения смысловой близости предложений.

371скачиваний за 30 дней15лайковвеса обновлены27 янв 2023

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

pkshatech разработала японскую модель SimCSE для получения векторных представлений предложений. Она основана на cl-tohoku/bert-base-japanese-v2 и дообучена на обучающей выборке JSNLI — набора для японского логического вывода на естественном языке. Модель использует архитектуру BERT-base с примерно 138,4 млн параметров и формирует эмбеддинг через слой полносвязного преобразования представления [CLS].

Модель предназначена для сравнения смысловой близости японских предложений, семантического поиска и задач, где нужны эмбеддинги предложений. В README указаны обучение в течение 20 эпох, использование сложных негативных примеров и максимальная длина последовательности 128 токенов; контекст модели по метаданным — до 512 токенов. Доступны веса PyTorch, лицензия — CC BY-SA 4.0.

Сценарии применения

  • Сравнение семантической близости японских предложений
  • Семантический поиск по японским текстам
  • Поиск похожих предложений в японской коллекции
  • Получение эмбеддингов японских предложений для последующей кластеризации

Ограничения

Модель рассчитана на японский язык. В обучении использовались предложения длиной до 128 токенов, хотя заявленный родной контекст составляет 512 токенов.

Для каких профессий подходит8

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

Japanese SimCSE (BERT-base)

日本語のREADME/Japanese README

summary

model name: pkshatech/simcse-ja-bert-base-clcmlp

This is a Japanese SimCSE model. You can easily extract sentence embedding representations from Japanese sentences. This model is based on cl-tohoku/bert-base-japanese-v2 and trained on JSNLI dataset, which is a Japanese natural language inference dataset.

Usage (Sentence-Transformers)

You can use this model easily with sentence-transformers.

You need fugashi and unidic-lite for tokenization.

Please install sentence-transformers, fugashi, and unidic-lite with pip as follows:

pip install -U fugashi[unidic-lite] sentence-transformers

You can load the model and convert sentences to dense vectors as follows:

from sentence_transformers import SentenceTransformer
sentences = [
    "PKSHA Technologyは機械学習/深層学習技術に関わるアルゴリズムソリューションを展開している。",
    "この深層学習モデルはPKSHA Technologyによって学習され、公開された。",
    "広目天は、仏教における四天王の一尊であり、サンスクリット語の「種々の眼をした者」を名前の由来とする。",
]

model = SentenceTransformer('pkshatech/simcse-ja-bert-base-clcmlp')
embeddings = model.encode(sentences)
print(embeddings)

Since the loss function used during training is cosine similarity, we recommend using cosine similarity for downstream tasks.

Model Detail

Tokenization

We use the same tokenizer as tohoku/bert-base-japanese-v2. Please see the README of tohoku/bert-base-japanese-v2 for details.

Training

We set tohoku/bert-base-japanese-v2 as the initial value and trained it on the train set of JSNLI. We trained 20 epochs and published the checkpoint of the model with the highest Spearman's correlation coefficient on the validation set 1 of the train set of JSTS

Training Parameters

ParameterValue
pooling_strategy[CLS] -> single fully-connected layer
max_seq_length128
with hard negativetrue
temperature of contrastive loss0.05
Batch size200
Learning rate1e-5
Weight decay0.01
Max gradient norm1.0
Warmup steps2012
SchedulerWarmupLinear
Epochs20
Evaluation steps250

Licenses

This models are distributed under the terms of the Creative Creative Commons Attribution-ShareAlike 4.0.

Footnotes

  1. When we trained this model, the test data of JGLUE was not released, so we used the dev set of JGLUE as a private evaluation data. Therefore, we selected the checkpoint on the train set of JGLUE insted of its dev set. ↩

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
7bca179

0 моделей