whuhxb / simcse-1

SimCSE在中文任务上的简单实验

SimCSE 中文测试

SimCSE在常见中文数据集上的测试，包含ATEC、BQ、LCQMC、PAWSX、STS-B共5个任务。

介绍

• 博客：https://kexue.fm/archives/8348
• 论文：《SimCSE: Simple Contrastive Learning of Sentence Embeddings》
• 官方：https://github.com/princeton-nlp/SimCSE

文件

- utils.py  工具函数
- eval.py  评测主文件

评测

命令格式：

python eval.py [model_type] [pooling] [task_name] [dropout_rate]

使用例子：

python eval.py BERT cls ATEC 0.3

其中四个参数必须传入，含义分别如下：

- model_type: 模型，必须是['BERT', 'RoBERTa', 'WoBERT', 'RoFormer', 'BERT-large', 'RoBERTa-large', 'SimBERT', 'SimBERT-tiny', 'SimBERT-small']之一；
- pooling: 池化方式，必须是['first-last-avg', 'last-avg', 'cls', 'pooler']之一；
- task_name: 评测数据集，必须是['ATEC', 'BQ', 'LCQMC', 'PAWSX', 'STS-B']之一；
- dropout_rate: 浮点数，dropout的比例，如果为0则不dropout；

环境

测试环境：tensorflow 1.14 + keras 2.3.1 + bert4keras 0.10.5，如果在其他环境组合下报错，请根据错误信息自行调整代码。

下载

Google官方的两个BERT模型：

• BERT：chinese_L-12_H-768_A-12.zip
• RoBERTa：chinese_roberta_wwm_ext_L-12_H-768_A-12.zip
• NEZHA：NEZHA-base-WWM
• WoBERT：chinese_wobert_plus_L-12_H-768_A-12.zip
• RoFormer：chinese_roformer_L-12_H-768_A-12.zip
• SimBERT: chinese_simbert_L-12_H-768_A-12.zip
• SimBERT-small: chinese_simbert_L-6_H-384_A-12.zip
• SimBERT-tiny: chinese_simbert_L-4_H-312_A-12.zip

关于语义相似度数据集，可以从数据集对应的链接自行下载，也可以从作者提供的百度云链接下载。

• 链接: https://pan.baidu.com/s/1d6jSiU1wHQAEMWJi7JJWCQ 提取码: qkt6

其中senteval_cn目录是评测数据集汇总，senteval_cn.zip是senteval目录的打包，两者下其一就好。

相关

• BERT-whitening：https://github.com/bojone/BERT-whitening

交流

QQ交流群：808623966，微信群请加机器人微信号spaces_ac_cn