当前位置：首页 > news >正文

常用中文开源embedding模型应用

news 来源：原创 2025/5/6 16:28:00

以下为你介绍几种常用的中文开源 Embedding 模型，以及它们的输入输出调用方式和代码示例。

1. Sentence Transformers（包含中文预训练模型）

简介：Sentence Transformers 是一个用于生成句子嵌入的 Python 库，提供了多种预训练模型，其中有适用于中文的模型，能够将句子转换为固定长度的向量，方便进行语义相似度计算等任务。
输入输出：
- 输入：字符串形式的单个句子或者句子列表。
- 输出：与输入句子对应的向量表示，输出为 Numpy 数组或者 PyTorch 张量。
代码示例：

from sentence_transformers import SentenceTransformer
import numpy as np

# 加载中文预训练模型
model = SentenceTransformer('shibing624/text2vec-base-chinese')

# 输入句子
sentences = ["这是一个测试句子", "另一个测试句子"]

# 生成句子嵌入
embeddings = model.encode(sentences)

# 打印结果
for sentence, embedding in zip(sentences, embeddings):
    print(f"句子: {sentence}")
    print(f"嵌入向量: {embedding[:5]}...（长度: {len(embedding)}）")
    print()

2. ERNIE（百度）

简介：ERNIE（Enhanced Representation through Knowledge Integration）是百度研发的预训练模型，它在大规模语料上进行预训练，融合了大量的知识信息，在中文自然语言处理任务中表现出色。可以用于生成文本的 Embedding 表示。
输入输出：
- 输入：中文文本，使用分词器处理后的词元列表。
- 输出：每个词元对应的向量表示，或者经过池化后的句子向量表示。
代码示例：

from transformers import AutoTokenizer, AutoModel
import torch

# 加载 ERNIE 分词器和模型
tokenizer = AutoTokenizer.from_pretrained("ernie-1.0")
model = AutoModel.from_pretrained("ernie-1.0")

# 输入中文文本
text = "这是一段中文文本。"

# 分词
inputs = tokenizer(text, return_tensors='pt')

# 模型推理
with torch.no_grad():
    outputs = model(**inputs)

# 获取词元的嵌入向量
last_hidden_states = outputs.last_hidden_state
print("词元嵌入向量形状:", last_hidden_states.shape)

# 简单的池化操作获取句子向量（这里使用 [CLS] 标记的向量）
sentence_embedding = last_hidden_states[:, 0, :]
print("句子嵌入向量形状:", sentence_embedding.shape)

3. BERT - 中文预训练模型

简介：BERT 是 Google 提出的预训练语言模型，Hugging Face 提供了中文预训练的 BERT 模型，能够捕捉中文文本的语义信息，生成高质量的词元嵌入和句子嵌入。
输入输出：
- 输入：中文文本，经过分词器处理后添加特殊标记（如 [CLS] 和 [SEP]）。
- 输出：每个词元对应的向量表示，以及经过池化后的句子向量表示。
代码示例：

from transformers import BertTokenizer, BertModel
import torch

# 加载中文 BERT 分词器和模型
tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
model = BertModel.from_pretrained('bert-base-chinese')

# 输入中文文本
text = "这是一个中文测试。"

# 分词并添加特殊标记
inputs = tokenizer(text, return_tensors='pt')

# 模型推理
with torch.no_grad():
    outputs = model(**inputs)

# 获取词元的嵌入向量
last_hidden_states = outputs.last_hidden_state
print("词元嵌入向量形状:", last_hidden_states.shape)

# 简单的池化操作获取句子向量（这里使用 [CLS] 标记的向量）
sentence_embedding = last_hidden_states[:, 0, :]
print("句子嵌入向量形状:", sentence_embedding.shape)

4. XLM - RoBERTa（支持中文）

简介：XLM - RoBERTa 是一种多语言预训练模型，支持包括中文在内的多种语言，能够生成高质量的文本嵌入，适用于跨语言和单语言的自然语言处理任务。
输入输出：
- 输入：中文文本，经过分词器处理后添加特殊标记。
- 输出：每个词元对应的向量表示，以及经过池化后的句子向量表示。
代码示例：

from transformers import XLMRobertaTokenizer, XLMRobertaModel
import torch

# 加载 XLM - RoBERTa 分词器和模型
tokenizer = XLMRobertaTokenizer.from_pretrained('xlm - roberta - base')
model = XLMRobertaModel.from_pretrained('xlm - roberta - base')

# 输入中文文本
text = "中文文本处理示例。"

# 分词并添加特殊标记
inputs = tokenizer(text, return_tensors='pt')

# 模型推理
with torch.no_grad():
    outputs = model(**inputs)

# 获取词元的嵌入向量
last_hidden_states = outputs.last_hidden_state
print("词元嵌入向量形状:", last_hidden_states.shape)

# 简单的池化操作获取句子向量（这里使用 [CLS] 标记的向量）
sentence_embedding = last_hidden_states[:, 0, :]
print("句子嵌入向量形状:", sentence_embedding.shape)