语义文本相似度

语义文本相似度 (STS) 用于衡量两个文本的相似度，并给出一个分数。在本例中，我们使用 stsb 数据集作为训练数据来微调 CrossEncoder 模型。请参阅以下示例脚本，了解如何在 STS 数据上微调 CrossEncoder 模型

• training_stsbenchmark.py - 此示例展示了如何从预训练的 Transformer 模型（例如 distilroberta-base）创建和微调 CrossEncoder 模型。

您还可以为此任务训练和使用 SentenceTransformer 模型。有关更多详细信息，请参阅 Sentence Transformer > 训练示例 > 语义文本相似度。

训练数据

在 STS 中，我们有带有一个指示相似度分数的句子对注释。在原始 STSbenchmark 数据集中，分数范围从 0 到 5。我们已将这些分数标准化为在 stsb 中介于 0 和 1 之间，这是 BinaryCrossEntropyLoss 所要求的，如您在损失概述中所见。

以下是我们的训练数据的简化版本

from datasets import Dataset

sentence1_list = ["My first sentence", "Another pair"]
sentence2_list = ["My second sentence", "Unrelated sentence"]
labels_list = [0.8, 0.3]
train_dataset = Dataset.from_dict({
    "sentence1": sentence1_list,
    "sentence2": sentence2_list,
    "label": labels_list,
})
# => Dataset({
#     features: ['sentence1', 'sentence2', 'label'],
#     num_rows: 2
# })
print(train_dataset[0])
# => {'sentence1': 'My first sentence', 'sentence2': 'My second sentence', 'label': 0.8}
print(train_dataset[1])
# => {'sentence1': 'Another pair', 'sentence2': 'Unrelated sentence', 'label': 0.3}

在上述脚本中，我们直接加载 stsb 数据集

from datasets import load_dataset

train_dataset = load_dataset("sentence-transformers/stsb", split="train")
# => Dataset({
#     features: ['sentence1', 'sentence2', 'score'],
#     num_rows: 5749
# })

损失函数

我们使用 BinaryCrossEntropyLoss 作为我们的损失函数。

对于每个句子对，我们将句子 A 和句子 B 通过基于 BERT 的模型，然后分类器头将基于 BERT 的模型的中间表示转换为相似度分数。使用此损失，我们应用 torch.nn.BCEWithLogitsLoss，它接受对数（又称输出、原始预测）和黄金相似度分数来计算一个损失，表示模型在该批次上的表现如何。可以最小化此损失以提高模型的性能。

推理

您可以使用任何 用于 STS 的预训练 CrossEncoder 模型 进行推理，如下所示

from sentence_transformers import CrossEncoder

model = CrossEncoder("cross-encoder/stsb-roberta-base")
scores = model.predict([("It's a wonderful day outside.", "It's so sunny today!"), ("It's a wonderful day outside.", "He drove to work earlier.")])
# => array([0.60443085, 0.00240758], dtype=float32)