论文地址：https://arxiv.org/abs/1908.10084
论文中文翻译：https://www.cnblogs.com/gczr/p/12874409.html
源码下载：https://github.com/UKPLab/sentence-transformers
相关网站：https://www.sbert.net/
“论文中文翻译”已相当清楚，故本篇不再翻译，只简单介绍SBERT的原理，以及训练和使用中文相似度模型的方法和效果。
原理
挛生网络Siamese network（后简称SBERT），其中Siamese意为“连体人”，即两人共用部分器官。SBERT模型的子网络都使用BERT模型，且两个BERT模型共享参数。当对比A,B两个句子相似度时，它们分别输入BERT网络，输出是两组表征句子的向量，然后计算二者的相似度；利用该原理还可以使用向量聚类，实现无监督学习任务。
挛生网络有很多应用，比如使用图片搜索时，输入照片将其转换成一组向量，和库中的其它图片对比，找到相似度最高（距离最近）的图片；在问答场景中，找到与用户输入文字最相近的标准问题，然后给出相应解答；对各种文本标准化等等。
衡量语义相似度是自然语言处理中的一个重要应用，BERT源码中并未给出相应例程（run_glue.py只是在其示例框架内的简单示例），真实场景使用时需要做大量修改；而SBERT提供了现成的方法解决了相似度问题，并在速度上更有优势，直接使用更方便。
SBERT对Pytorch进行了封装，简单使用该工具时，不仅不需要了解太多BERT API的细节， Pytorch相关方法也不多，下面来看看其具体用法。
配置环境
需要注意的是机器需要能正常配置BERT运行环境，如GPU+CUDA+Pytorch+Transformer匹配版本。
$ pip install sentence_transformers
下载源码
$ git clone https://github.com/UKPLab/sentence-transformers.git
模型预测
在未进行调优（fine-tune）前，使用预训练的通用中文BERT模型也可以达到一定效果，下例是从几个选项中找到与目标最相近的字符串。
from sentence_transformers import SentenceTransformer
import scipy.spatial
embedder = SentenceTransformer('bert-base-chinese')
corpus = ['这是一支铅笔',
'关节置换术',
'我爱北京天安门',
]
corpus_embeddings = embedder.encode(corpus)
# 待查询的句子
queries = ['心脏手术','中国首都在哪里']
query_embeddings = embedder.encode(queries)
# 对于每个句子，使用余弦相似度查询最接近的n个句子
closest_n = 2
for query, query_embedding in zip(queries, query_embeddings):
distances = scipy.spatial.distance.cdist([query_embedding], corpus_embeddings, "cosine")[0]
# 按照距离逆序
results = zip(range(len(distances)), distances)
results = sorted(results, key=lambda x: x[1])
print("======================")
print("Query:", query)
print("Result:Top 5 most similar sentences in corpus:")
for idx, distance in results[0:closest_n]:
print(corpus[idx].strip(), "(Score: %.4f)" % (1-distance))
训练中文模型
模型训练方法
训练原理：https://www.sbert.net/docs/training/overview.html
训练示例说明：https://www.sbert.net/examples/training/sts/README.html
训练示例代码：examples/training/sts/training_stsbenchmark.py
训练中文模型
把示例中的bert-base-cased换成bert-base-chinese，即可下载和使用中文模型。需要注意的是：中文和英文词库不同，不能将中文模型用于英文数据训练。
下载中文训练数据
下载信贷相关数据，csv数据7M多，约10W条训练数据，可在下例中使用
$ git clone https://github.com/lixuanhng/NLP_related_projects.git
$ ls NLP_related_projects/BERT/Bert_sim/data
代码
from torch.utils.data import DataLoader
import math
from sentence_transformers import SentenceTransformer, LoggingHandler, losses, models, util
from sentence_transformers.evaluation import EmbeddingSimilarityEvaluator
from sentence_transformers.readers import InputExample
import logging
from datetime import datetime
import sys
import os
import pandas as pd
model_name = 'bert-base-chinese'
train_batch_size = 16
num_epochs = 4
model_save_path = 'test_output'
logging.basicConfig(format='%(asctime)s - %(message)s',
datefmt='%Y-%m-%d %H:%M:%S',
level=logging.INFO,
handlers=[LoggingHandler()])
# Use Huggingface/transformers model (like BERT, RoBERTa, XLNet, XLM-R) for mapping tokens to embeddings
word_embedding_model = models.Transformer(model_name)
# Apply mean pooling to get one fixed sized sentence vector
pooling_model = models.Pooling(word_embedding_model.get_word_embedding_dimension(),
pooling_mode_mean_tokens=True,
pooling_mode_cls_token=False,
pooling_mode_max_tokens=False)
model = SentenceTransformer(modules=[word_embedding_model, pooling_model])
train_samples = []
dev_samples = []
test_samples = []
def load(path):
df = pd.read_csv(path)
samples = []
for idx,item in df.iterrows():
samples.append(InputExample(texts=[item['sentence1'], item['sentence2']], label=float(item['label'])))
return samples
train_samples = load('/workspace/exports/git/NLP_related_projects/BERT/Bert_sim/data/train.csv')
test_samples = load('/workspace/exports/git/NLP_related_projects/BERT/Bert_sim/data/test.csv')
dev_samples = load('/workspace/exports/git/NLP_related_projects/BERT/Bert_sim/data/dev.csv')
train_dataloader = DataLoader(train_samples, shuffle=True, batch_size=train_batch_size)
train_loss = losses.CosineSimilarityLoss(model=model)
evaluator = EmbeddingSimilarityEvaluator.from_input_examples(dev_samples, name='sts-dev')
warmup_steps = math.ceil(len(train_dataloader) * num_epochs * 0.1) #10% of train data for warm-up
# Train the model
model.fit(train_objectives=[(train_dataloader, train_loss)],
evaluator=evaluator,
epochs=num_epochs,
evaluation_steps=1000,
warmup_steps=warmup_steps,
output_path=model_save_path)
model = SentenceTransformer(model_save_path)
test_evaluator = EmbeddingSimilarityEvaluator.from_input_examples(test_samples, name='sts-test')
test_evaluator(model, output_path=model_save_path)
测试结果
- 直接使用预训练的英文模型，测试集正确率21%
- 直接使用预训练的中文模型，测试集正确率30%
- 使用1000个用例的训练集，4次迭代，测试集正确率51%
- 使用10000个用例的训练集，4次迭代，测试集正确率68%
- 使用100000个用例的训练集，4次迭代，测试集正确率71%
一些技巧
除了设置超参数以外，也可通过构造训练数据来优化SBERT网络，比如：构造正例时，把知识“喂”给模型，如将英文缩写与对应中文作为正例对训练模型；构造反例时用容易混淆的句子对训练模型（文字相似但含义不同的句子；之前预测出错的实例，分析其原因，从而构造反例；使用知识构造容易出错的句子对），以替代之前的随机抽取反例。
参考
- BERT中文实战（文本相似度） https://blog.csdn.net/weixin_37947156/article/details/84877254
- Bert 文本相似度实战（使用详解） https://zhuanlan.zhihu.com/p/367726571
- Sentence-BERT: 一种能快速计算句子相似度的孪生网络 https://www.cnblogs.com/gczr/p/12874409.html
- Sentence-Bert论文笔记 https://zhuanlan.zhihu.com/p/113133510?from_voters_page=true
