使用T5实现句子嵌入

Question

我想使用最先进的LM T5来获得句子嵌入向量。我发现了这个仓库https://github.com/UKPLab/sentence-transformers，据我所知，在BERT中，我应该将第一个令牌作为CLS令牌，它将是句子嵌入。在这个存储库中，我在T5模型上看到了相同的行为：

cls_tokens = output_tokens[:, 0, :]  # CLS token is first token

这种行为正确吗？我从T5获取了编码器，并用它对两个短语进行了编码：

"I live in the kindergarden"
"Yes, I live in the kindergarden"

它们之间的余弦相似度仅为"0.2420“。

我只需要理解句子嵌入是如何工作的--我应该训练网络来找到相似度以获得正确的结果吗？或者我，这是足够的基础预训练语言模型？

Answer 1

为了从T5获得句子嵌入，您需要从T5编码器输出中获取last_hidden_state：

model.encoder(input_ids=s, attention_mask=attn, return_dict=True)
pooled_sentence = output.last_hidden_state # shape is [batch_size, seq_len, hidden_size]
# pooled_sentence will represent the embeddings for each word in the sentence
# you need to sum/average the pooled_sentence
pooled_sentence = torch.mean(pooled_sentence, dim=1)

您现在有了来自T5的句子嵌入