多语言模型

多语言 BERT (mBERT) 以及 XLM-RoBERTa 的问题在于，它们开箱即用产生的句子表示效果相当差。此外，语言之间的向量空间没有对齐，即，不同语言中内容相同的句子会被映射到向量空间中的不同位置。

在我的出版物 Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation 中，我描述了一种简单的方法来将句子嵌入扩展到更多语言。

Chien Vu 也撰写了一篇关于此技术的精彩博客文章：A complete guide to transfer learning from English to other Languages using Sentence Embeddings BERT Models

扩展您自己的模型

Multilingual Knowledge Distillation

这个想法基于一个固定的（单语）教师模型，该模型用一种语言（例如英语）生成具有我们期望属性的句子嵌入。学生模型应该模仿教师模型，即，相同的英语句子应该由教师模型和学生模型映射到相同的向量。此外，为了使学生模型适用于其他语言，我们在平行（翻译的）句子上训练学生模型。每个句子的翻译也应该映射到与原始句子相同的向量。

在上图中，学生模型应该将Hello World和德语翻译Hallo Welt映射到 teacher_model('Hello World') 的向量。我们通过使用均方误差 (MSE) 损失训练学生模型来实现这一点。

在我们的实验中，我们使用多语言 XLM-RoBERTa 模型初始化了学生模型。

训练

有关完全自动化的代码示例，请参阅 make_multilingual.py。

此脚本下载平行句子语料库，一个包含演讲的文字记录和翻译的语料库。然后，它将单语模型扩展到多种语言（英语、德语、西班牙语、意大利语、法语、阿拉伯语、土耳其语）。此语料库包含 100 多种语言的平行数据，因此，您可以简单地更改脚本并使用您喜欢的语言训练多语言模型。

数据集

作为训练数据，我们需要平行句子，即翻译成多种语言的句子。特别是，我们将使用具有 "english" 和 "non_english" 列的 Dataset 实例。我们在我们的平行句子数据集集合中准备了大量此类数据集。

训练脚本将获取 "english" 列，并添加一个包含英语文本嵌入的 "label" 列。然后，将训练学生模型 "english" 和 "non_english" 以使其与此 "label" 相似。您可以像这样加载这样的训练数据集

from datasets import load_dataset

train_dataset = load_dataset("sentence-transformers/parallel-sentences-talks", "en-de", split="train")
print(train_dataset[0])
# {"english": "So I think practicality is one case where it's worth teaching people by hand.", "non_english": "Ich denke, dass es sich aus diesem Grund lohnt, den Leuten das Rechnen von Hand beizubringen."}

训练数据来源

一个包含大量平行（翻译的）数据集的优秀网站是 OPUS。在那里，您可以找到 400 多种语言的平行数据集。如果您愿意，可以使用它们来创建您自己的平行句子数据集。

评估

训练可以通过不同的方式进行评估。有关如何使用这些评估方法的示例，请参阅 make_multilingual.py。

MSE 评估

您可以测量学生嵌入和教师嵌入之间的均方误差 (MSE)。

from datasets import load_dataset

eval_dataset = load_dataset("sentence-transformers/parallel-sentences-talks", "en-fr", split="dev")

dev_mse = MSEEvaluator(
    source_sentences=eval_dataset["english"],
    target_sentences=eval_dataset["non_english"],
    name="en-fr-dev",
    teacher_model=teacher_model,
    batch_size=32,
)

此评估器计算 source_sentences（例如，英语）的教师嵌入。在训练期间，学生模型用于计算 target_sentences（例如，法语）的嵌入。测量教师和学生嵌入之间的距离。较低的分数表示更好的性能。

翻译准确率

您还可以测量翻译准确率。作为输入，此评估器接受 source_sentences（例如，英语）列表和 target_sentences（例如，西班牙语）列表，使得 target_sentences[i] 是 source_sentences[i] 的翻译。

对于每对句子，我们检查 source_sentences[i] 我们检查 target_sentences[i] 是否在所有目标句子中具有最高的相似度。如果是这种情况，我们就命中，否则就是错误。此评估器报告准确率（越高越好）。

from datasets import load_dataset

eval_dataset = load_dataset("sentence-transformers/parallel-sentences-talks", "en-fr", split="dev")

dev_trans_acc = TranslationEvaluator(
    source_sentences=eval_dataset["english"],
    target_sentences=eval_dataset["non_english"],
    name="en-fr-dev",
    batch_size=32,
)

多语言语义文本相似度

您还可以测量不同语言的句子对之间的语义文本相似度 (STS)

from datasets import load_dataset

test_dataset = load_dataset("mteb/sts17-crosslingual-sts", "nl-en", split="test")

test_emb_similarity = EmbeddingSimilarityEvaluator(
    sentences1=test_dataset["sentence1"],
    sentences2=test_dataset["sentence2"],
    scores=[score / 5.0 for score in test_dataset["score"]],  # Convert 0-5 scores to 0-1 scores
    batch_size=32,
    name=f"sts17-nl-en-test",
    show_progress_bar=False,
)

其中 sentences1 和 sentences2 是句子列表，而 score 是一个数值，指示 sentences1[i] 和 sentences2[i] 之间的语义相似度。

可用的预训练模型

有关可用模型的列表，请参阅预训练模型。

使用方法

您可以按以下方式使用这些模型

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("paraphrase-multilingual-MiniLM-L12-v2")
embeddings = model.encode(["Hello World", "Hallo Welt", "Hola mundo", "Bye, Moon!"])
similarities = model.similarity(embeddings, embeddings)
# tensor([[1.0000, 0.9429, 0.8880, 0.4558],
#         [0.9429, 1.0000, 0.9680, 0.5307],
#         [0.8880, 0.9680, 1.0000, 0.4933],
#         [0.4558, 0.5307, 0.4933, 1.0000]])

性能

性能在 Semantic Textual Similarity (STS) 2017 数据集上进行了评估。任务是预测两个给定句子的语义相似度（范围为 0-5）。STS2017 具有英语、阿拉伯语和西班牙语的单语测试数据，以及英语-阿拉伯语、-西班牙语和 -土耳其语的跨语言测试数据。

我们扩展了 STS2017，并添加了英语-德语、法语-英语、意大利语-英语和荷兰语-英语的跨语言测试数据 (STS2017-extended.zip)。性能使用预测的相似度分数和黄金分数之间的 Spearman 相关性来衡量。

模型	AR-AR	AR-EN	ES-ES	ES-EN	EN-EN	TR-EN	EN-DE	FR-EN	IT-EN	NL-EN	平均
XLM-RoBERTa 平均池化	25.7	17.4	51.8	10.9	50.7	9.2	21.3	16.6	22.9	26.0	25.2
mBERT 平均池化	50.9	16.7	56.7	21.5	54.4	16.0	33.9	33.0	34.0	35.6	35.3
LASER	68.9	66.5	79.7	57.9	77.6	72.0	64.2	69.1	70.8	68.5	69.5
Sentence Transformer 模型
distiluse-base-multilingual-cased	75.9	77.6	85.3	78.7	85.4	75.5	80.3	80.2	80.5	81.7	80.1

引用

如果您使用多语言模型的代码，请随时引用我们的出版物 Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation

@article{reimers-2020-multilingual-sentence-bert,
    title = "Making Monolingual Sentence Embeddings Multilingual using Knowledge Distillation",
    author = "Reimers, Nils and Gurevych, Iryna",
    journal= "arXiv preprint arXiv:2004.09813",
    month = "04",
    year = "2020",
    url = "http://arxiv.org/abs/2004.09813",
}