---

pipeline_tag: sentence-similarity language: "multilingual" tags:

• feature-extraction
• sentence-similarity
• transformers
• multilingual

---

mstsb-paraphrase-multilingual-mpnet-base-v2

这是基于 sentence-transformers 模型库中的 paraphrase-multilingual-mpnet-base-v2 模型进行微调的版本，并结合了扩展至15种语言的语义文本相似度基准数据集（Semantic Textual Similarity Benchmark）。该模型能将句子和段落映射到768维的稠密向量空间，可用于聚类、语义搜索以及衡量两个句子间的相似度等任务。

此模型是 paraphrase-multilingual-mpnet-base-v2 针对多语言数据语义文本相似度任务的微调版本。微调所使用的数据集是通过谷歌翻译将 STSb 扩展到15种语言的版本。为保证数据质量，置信度值低于0.7的句子对已被剔除。该扩展数据集可在 GitHub 获取。扩展版本涵盖的语言包括：ar、cs、de、en、es、fr、hi、it、ja、nl、pl、pt、ru、tr、zh-CN、zh-TW。用于将词嵌入压缩为句子嵌入的池化操作是均值池化（详细信息见下文）。

使用方法（HuggingFace Transformers）

若未安装 sentence-transformers，您可按以下方式使用该模型：首先，将输入传递给 transformer 模型，然后需要在语境化词嵌入之上应用正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

# We should define the proper pooling function: Mean pooling
# Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
    return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)


# Sentences we want sentence embeddings for
sentences = ["This is an example sentence", "Esta es otra frase de ejemplo", "最後の例文"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('AIDA-UPM/mstsb-paraphrase-multilingual-mpnet-base-v2')
model = AutoModel.from_pretrained('AIDA-UPM/mstsb-paraphrase-multilingual-mpnet-base-v2')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, max pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

评估结果

查看语义文本相似度任务中的测试结果。Multilingual STSB 提供的 15 种语言已被组合成单语任务和跨语言任务，共 31 个任务。单语任务中的两个句子均来自同一语言源（例如，Ar-Ar、Es-Es），而跨语言任务中的两个句子则分别属于不同语言，其中一种为英语（例如，en-ar、en-es）。

此处比较了基于 paraphrase-multilingual-mpnet-base-v2 的模型与经过微调的 mstsb-paraphrase-multilingual-mpnet-base-v2 模型在 31 个任务上的平均多语言语义文本相似度能力。值得注意的是，这两个模型均为多语言模型，但后者使用多语言数据针对语义相似度进行了调整。相关系数的平均值计算方式为：将每个相关系数转换为 Fisher's z 值，取平均值后再转换回相关系数。

模型	平均 Spearman 余弦测试
mstsb-paraphrase-multilingual-mpnet-base-v2	0.835890
paraphrase-multilingual-mpnet-base-v2	0.818896

以下表格详细展示了 mstsb-paraphrase-multilingual-mpnet-base-v2 在不同任务上的性能。为便于阅读，任务被分为单语任务和跨语言任务。

单语任务	Pearson 余弦测试	Spearman 余弦测试
en;en	0.868048310692506	0.8740170943535747
ar;ar	0.8267139454193487	0.8284459741532022
cs;cs	0.8466821720942157	0.8485417688803879
de;de	0.8517285961812183	0.8557680051557893
es;es	0.8519185309064691	0.8552243211580456
fr;fr	0.8430951067985064	0.8466614534379704
hi;hi	0.8178258630578092	0.8176462079184331
it;it	0.8475909574305637	0.8494216064459076
ja;ja	0.8435588859386477	0.8456031494178619
nl;nl	0.8486765104527032	0.8520856765262531
pl;pl	0.8407840177883407	0.8443070467300299
pt;pt	0.8534880178249296	0.8578544068829622
ru;ru	0.8390897585455678	0.8423041443534423
tr;tr	0.8382125451820572	0.8421587450058385
zh-CN;zh-CN	0.826233678946644	0.8248515460782744
zh-TW;zh-TW	0.8242683809675422	0.8235506799952028

跨语言任务	Pearson 余弦测试	Spearman 余弦测试
en;ar	0.7990830340462535	0.7956792016468148
en;cs	0.8381274879061265	0.8388713450024455
en;de	0.8414439600928739	0.8441971698649943
en;es	0.8442337511356952	0.8445035292903559
en;fr	0.8378437644605063	0.8387903367907733
en;hi	0.7951955086055527	0.7905052217683244
en;it	0.8415686372978766	0.8419480899107785
en;ja	0.8094306665283388	0.8032512280936449
en;nl	0.8389526140129767	0.8409310421803277
en;pl	0.8261309163979578	0.825976253023656
en;pt	0.8475546209070765	0.8506606391790897
en;ru	0.8248514914263723	0.8224871183202255
en;tr	0.8191803661207868	0.8194200775744044
en;zh-CN	0.8147678083378249	0.8102089470690433
en;zh-TW	0.8107272160374955	0.8056129680510944

训练

该模型使用以下参数进行训练：

数据加载器：

长度为 687 的 torch.utils.data.dataloader.DataLoader，参数如下：

{'batch_size': 132, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

损失函数：

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() 方法的参数：

{
    "callback": null,
    "epochs": 2,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'transformers.optimization.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 140,
    "weight_decay": 0.01
}

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者