sentence Bert解读及代码示例

最新推荐文章于 2024-10-27 07:30:00 发布

小李飞刀李寻欢

最新推荐文章于 2024-10-27 07:30:00 发布

阅读量1.4k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： NLP与推荐算法文章标签： bert SBERT NLP 自然语言处理 STS

本文链接：https://blog.youkuaiyun.com/SPESEG/article/details/128236204

NLP与推荐算法专栏收录该内容

153 篇文章 ¥399.90 ¥499.90

订阅专栏

超级会员免费看

本文介绍了Sentence Bert（SBERT）的原理和优势，它通过Siamese和Triplet网络结构改进了BERT，实现了高效计算句子间的语义相似性。相较于原始BERT，SBERT提供固定的句子嵌入并取得了更好的STS任务性能。文章还探讨了不同的Pooling策略和目标函数，并提供了实际代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0-前序

Bert已经是相当6了，但在STS（语义文本相似性）任务中，需要将两个句子都输入到网络中，也就是说要过模型，这样计算量就大了。如下是文本相似性，并不是语义。

from transformers import BertTokenizer, BertModel
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertModel.from_pretrained('bert-base-chinese')
inputs1 = tokenizer('今天的天气真好啊，暖和和的', return_tensors='pt')
inputs2 = tokenizer('今天天气真暖和啊', return_tensors='pt')
inputs3= tokenizer('今天天气真差劲啊', return_tensors='pt')
outputs1 = model(**inputs1)
outputs2 = model(**inputs2)
outputs3 = model(**inputs3)
outputs1 =outputs1.pooler_output
outputs2 =outputs2.pooler_output
outputs3 =outputs3.pooler_output
import torch
from sklearn.metrics.pairwise import c

了解本专栏