语义文本相似度

语义文本相似度 (STS) 为两个文本的相似性分配一个分数。在此示例中，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，了解如何调整 STS 数据上的 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。

您还可以训练和使用 SentenceTransformer 模型来完成此任务。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，我们有句子对以及指示相似度的分数。在原始 STSbenchmark 数据集中，分数范围从 0 到 5。我们已将这些分数归一化到 stsb 中的 0 到 1 之间，这是 BinaryCrossEntropyLoss 所要求的，正如您在损失概述中看到的那样。

这是我们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，我们通过基于 BERT 的模型传递句子 A 和句子 B，之后分类器头将来自基于 BERT 的模型的中间表示转换为相似度分数。通过此损失，我们应用 torch.nn.BCEWithLogitsLoss，它接受 logits（也称为输出、原始预测）和黄金相似度分数，以计算损失，表示模型在此批次上的表现。可以最小化此损失以提高模型的性能。

推理

您可以像这样使用任何用于 STS 的预训练 CrossEncoder 模型执行推理

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)