python 语义相似度 语义相似度模型

论文介绍

发表：2019，EMNLP

论文题目：《Sentence-BERT：sentence embeddings using siaese BERT-networks》
论文地址:https://arxiv.org/abs/1908.10084 Github:https://github.com/UKPLab/sentence-transformers

适用领域：

• 句向量生成
• 语义相似度计算
• 语义搜索
• 无监督任务（聚类）

1 概述

在20年之前的各种预训练模型中，比如bert，XLNet，Albert等等，这些都不适合用作语义相似度以及无监督任务中。通常这类问题的解决方式是计算出句向量，然后计算距离（余弦相似度，曼哈顿距离等）来表示语义距离。

1.1 交互型模型（单塔模型）

在以Bert为代表的预训练模型，其语义相似度的计算的处理方式是构造句子对[CLS]sen1[SEP]sen2 输入到模型中，通过各种句子间的特征交互完成相似度计算。这就是所谓的交互式模型。这样来看，效果一般来说表现都不错，但是更多的在计算速度上面存在很大的问题。

以10000个句子对为例，如果需要匹配每个句子的相似度最大的句子，则需要进行两两交互，10000个句子之间的计算量为10000*（10000-1）/2,约等于5000w次推理计算，在V100gpu上面大概需要65h。

所以交互型学习可以捕获到更深层的结构信息，当然带来的主要问题就是计算速度很慢。

1.2 表示型模型（双塔模型）

概括说来就是分别针对单个句子计算句向量表示，在对两个句向量进行距离计算，在这里形成交互。

表示型匹配模型的共同特点是：对将要匹配的两个句子分别进行编码与特征提取，最后进行相似度交互计算。其优点是：

1. 将文本映射为一个简洁的表达，便于储存。
2. 匹配的计算速度快。
3. 模型在表示层可以用大量无监督的数据进行预训练。因此非常适合于信息检索这种对存储和速度要求都比较高的任务。

但缺点是：

1. 匹配不仅仅是一一对应的，而且是有层次、 有结构的 ，分别从两个对象单独提取特征，很难捕获匹配中的结构信息。

本文就是这样的一个表示型双塔模型。

2 Bert进行单句Sentence Embedding

上文提到，可以通过对单个句子进行sentence embedding，然后在进行交互，两两计算距离，如果直接使用bert进行这样的操作不就好了吗。为什么还需要提出本文的Sbert呢？

实际上，bert有过sentence embeddings工作的研究，通过一个单一句子输入到bert得到他的word embeddings，然后通过CLS，或者meaning的方式得到固定长度的embedding。但是这样看来，并没有什么有效的方法去评估这种嵌入的效果如何。

在语义相似度任务中，直接进行bert输出sentence embeddings的实验效果并不好，见后面实验对比。

3 SBERT（sentence-bert）

针对文本相似度等会回归问题，SBERT主要在bert的基础上进行了结构设计：采用了Siamese（孪生）和triplet（三级）网络结构来获取语义embedding。

3.1 Siamese（孪生）

Siamese network是一个简单而又神奇的网络结构，就像一个连体人一样，孪生网络采用权值共享的方式来实现，如下图所示。

何为权值共享？

简单理解就是一个网络结构，甚至在实现上面就是同一个模型。

孪生网络的作用？

简单来说，衡量两个输入的相似程度。孪生神经网络有两个输入（Input1 and Input2）,将两个输入feed进入两个神经网络（Network1 and Network2），这两个神经网络分别将输入映射到新的空间，形成输入在新的空间中的表示。通过Loss的计算，评价两个输入的相似度。

3.2 Pooling操作

在bert输出层之后，进行pooling可以将word embeddings 变成一个固定程度的sentence embedding，一般怕pooling有三种操作：

1. max： 取出word embeddings中的最大值作为sentence embedding
2. CLS-token：也就是bert的做法，将CLS作为sentence embedding
3. Mean：对所有word embeddings进行平均池化，本文实验表示，这也是三者中最好的策略。

3.3 分类任务网络结构

通过将输出的sentence embeddings串联起来，得到三个特征(u,v,|u-v|)，经过一个softmax层，训练权重W，进行分类。

$o=softmax(W_t(u,v,|u-v|))$

其中，损失函数为交叉熵函数，embedding维度为n（一般是768，large是1024），W的维度为3n*k(k是label数）。

3.4 回归任务网络结构

回归任务就直接计算二者的余弦相似度，采用MSE作为损失函数。斯皮尔曼系数或者皮尔森系数作为评价指标。

3.5 Triplet 目标函数

给定一个sentence a，一个正样本p和负样本n，优化ap之间的距离小于an之间的距离作为目标函数，也就是最小化以下函数：

4 SBERT为何更快（训练+推理）？

主要可以从训练和推理效率来说明，在训练中

• 在输入上表示为：一次性输入2个句子，即[CLS]句子0[SEP]\n[CLS]句子1[SEP]。而bert的输入长度是[CLS]句子0[SEP]句子1[SEP]，长度是2倍。而运行速度和句子的长度是呈平方递增的，句子变短了所以效率有所提升。虽然SBERT的batch数增大了二倍，但不是平方的关系。

在推理上

• 对于n个句子，SBERT只需要计算n次，BERT需要计算n（n-1）/2次。因为SBERT对每个句子计算sentence embedding之后就保存，然后直接计算两两之间的余弦相似度即可，距离的计算可以忽略不计。所以在10000个句子，推理才有可能从65h变成5s左右。

5 实验结果

1 无微调+直接STS表现

不经过STS数据集微调的情况下，直接在STS进行预测，通过Spearman系数进行评价，得到结果如下：

从上面可以看出，直接使用bert输出sentence embeddings的效果并不好，平均相关性只有29.19。而SBERT的表现确实出色。

2 微调SBERT+STS表现

经过NLI数据集微调之后，表现进一步提升。