/ Модель

Характеристики

Контекст
512 токенов
Параметры
137 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
13 апр 2022

diffcse-bert-base-uncased-sts

ЭмбеддингиТекст → embedding9 профессий

Англоязычная модель на базе BERT, обученная DiffCSE для получения эмбеддингов предложений и оценки их семантического сходства.

25скачиваний за 30 дней1лайквеса обновлены1 мая 2022

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

voidism/diffcse-bert-base-uncased-sts — модель для получения векторных представлений предложений, основанная на BERT-base-uncased и обученная методом DiffCSE. DiffCSE — разработанная Yung-Sung Chuang и соавторами схема контрастивного обучения без разметки: она обучает представления учитывать смысловые различия между исходным и отредактированным предложениями. В README метод показал улучшение результатов на задачах семантического сходства текста по сравнению с unsupervised SimCSE.

Модель предназначена для извлечения эмбеддингов предложений, в том числе для оценки семантического сходства и построения систем поиска по смыслу. Это плотная модель семейства BERT с 136,7 млн параметров и контекстом до 512 токенов; принимает текст и выдаёт векторные представления. Карточка описывает DiffCSE для английских моделей BERT и RoBERTa, а данный репозиторий относится к варианту BERT-base-uncased для STS. Лицензия — Apache-2.0. README упоминает необходимость специализированной версии Transformers для обучения DiffCSE; для использования готовой модели рекомендует API SimCSE.

Сценарии применения

  • получение эмбеддингов английских предложений
  • поиск предложений по смыслу
  • оценка семантического сходства двух фраз
  • кластеризация коротких текстов по смыслу
  • извлечение признаков текста для downstream-моделей

Ограничения

Контекст ограничен 512 токенами. Описанные в README результаты относятся к экспериментам авторов и могут немного меняться в зависимости от оборудования и версий программного обеспечения.

Для каких профессий подходит9

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

DiffCSE: Difference-based Contrastive Learning for Sentence Embeddings

GitHub Stars

Open In Colab

arXiv link: https://arxiv.org/abs/2204.10298
To be published in NAACL 2022

Authors: Yung-Sung Chuang, Rumen Dangovski, Hongyin Luo, Yang Zhang, Shiyu Chang, Marin Soljačić, Shang-Wen Li, Scott Wen-tau Yih, Yoon Kim, James Glass

Our code is mainly based on the code of SimCSE. Please refer to their repository for more detailed information.

Overview

DiffCSE

We propose DiffCSE, an unsupervised contrastive learning framework for learning sentence embeddings. DiffCSE learns sentence embeddings that are sensitive to the difference between the original sentence and an edited sentence, where the edited sentence is obtained by stochastically masking out the original sentence and then sampling from a masked language model. We show that DiffSCE is an instance of equivariant contrastive learning (Dangovski et al., 2021), which generalizes contrastive learning and learns representations that are insensitive to certain types of augmentations and sensitive to other "harmful" types of augmentations. Our experiments show that DiffCSE achieves state-of-the-art results among unsupervised sentence representation learning methods, outperforming unsupervised SimCSE by 2.3 absolute points on semantic textual similarity tasks.

Setups

Python

Requirements

  • Python 3.9.5

Install our customized Transformers package

cd transformers-4.2.1
pip install .

If you have already installed transformers==4.2.1 through pip, you need to put modeling_bert.py into <your_python_env>/site-packages/transformers/models/bert/modeling_bert.py and modeling_roberta.py into <your_python_env>/site-packages/transformers/models/bert/modeling_roberta.py. We modify these two files in the package so that we can perform conditional pretraining tasks using BERT/RoBERTa. If possible, please directly pip install our customized Transformers package.

Install other packages

pip install -r requirements.txt

Download the pretraining dataset

cd data
bash download_wiki.sh

Download the downstream dataset

cd SentEval/data/downstream/
bash download_dataset.sh

Training

(The same as run_diffcse.sh.)

python train.py \
    --model_name_or_path bert-base-uncased \
    --generator_name distilbert-base-uncased \
    --train_file data/wiki1m_for_simcse.txt \
    --output_dir <your_output_model_dir> \
    --num_train_epochs 2 \
    --per_device_train_batch_size 64 \
    --learning_rate 7e-6 \
    --max_seq_length 32 \
    --evaluation_strategy steps \
    --metric_for_best_model stsb_spearman \
    --load_best_model_at_end \
    --eval_steps 125 \
    --pooler_type cls \
    --mlp_only_train \
    --overwrite_output_dir \
    --logging_first_step \
    --logging_dir <your_logging_dir> \
    --temp 0.05 \
    --do_train \
    --do_eval \
    --batchnorm \
    --lambda_weight 0.005 \
    --fp16 --masking_ratio 0.30

Our new arguments:

  • --lambda_weight: the lambda coefficient mentioned in Section 3 of our paper.
  • --masking_ratio: the masking ratio for MLM generator to randomly replace tokens.
  • --generator_name: the model name of generator. For bert-base-uncased, we use distilbert-base-uncased. For roberta-base, we use distilroberta-base.

Arguments from SimCSE:

  • --train_file: Training file path (data/wiki1m_for_simcse.txt).
  • --model_name_or_path: Pre-trained checkpoints to start with such as BERT-based models (bert-base-uncased, bert-large-uncased, etc.) and RoBERTa-based models (RoBERTa-base, RoBERTa-large).
  • --temp: Temperature for the contrastive loss. We always use 0.05.
  • --pooler_type: Pooling method.
  • --mlp_only_train: For unsupervised SimCSE or DiffCSE, it works better to train the model with MLP layer but test the model without it. You should use this argument when training unsupervised SimCSE/DiffCSE models.

For the results in our paper, we use a NVidia 2080Ti GPU with CUDA 11.2. Using different types of devices or different versions of CUDA/Python/PyTorch may lead to slightly different performance.

Evaluation

Open In Colab
We provide a simple colab notebook to reproduce our results easily. We can also run the commands below for evaluation:

python evaluation.py \
    --model_name_or_path <your_output_model_dir> \
    --pooler cls_before_pooler \
    --task_set <sts|transfer|full> \
    --mode test

To evaluate our pretrained DiffCSE checkpoints, we can use the following scripts:

BERT

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

Transfer Tasks

python evaluation.py \
    --model_name_or_path voidism/diffcse-bert-base-uncased-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

RoBERTa

STS

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-sts \
    --pooler cls_before_pooler \
    --task_set sts \
    --mode test

Transfer Tasks

python evaluation.py \
    --model_name_or_path voidism/diffcse-roberta-base-trans \
    --pooler cls_before_pooler \
    --task_set transfer \
    --mode test

For more detailed information, please check SimCSE's GitHub repo.

Pretrained models

Hugging Face Models

We can load the models using the API provided by SimCSE. See Getting Started for more information.

from diffcse import DiffCSE
model_bert_sts = DiffCSE("voidism/diffcse-bert-base-uncased-sts")
model_bert_trans = DiffCSE("voidism/diffcse-bert-base-uncased-trans")
model_roberta_sts = DiffCSE("voidism/diffcse-roberta-base-sts")
model_roberta_trans = DiffCSE("voidism/diffcse-roberta-base-trans")

Citations

DOI

Please cite our paper and the SimCSE paper if they are helpful to your work!

@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}
}

@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}
}

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
ea605f7

0 моделей