首页
/ Sentence-Transformers中如何为Model2Vec蒸馏添加新词元

Sentence-Transformers中如何为Model2Vec蒸馏添加新词元

2025-05-13 06:13:23作者:昌雅子Ethen

在自然语言处理任务中,我们经常需要处理一些特定领域的专有名词或品牌名称。这些词汇如果被分词器错误拆分,可能会影响模型性能。本文将深入探讨在使用Sentence-Transformers库进行Model2Vec蒸馏时,如何有效地添加新词元(token)到分词器中。

问题背景

当使用Model2Vec技术对预训练模型进行蒸馏时,开发者可能会遇到需要添加新词元的情况。例如在商品搜索场景中,我们希望保留特定品牌名称的完整性,而不是让分词器将其拆分为子词。传统的添加词元方法在蒸馏过程中会遇到词汇表大小不一致的问题。

技术挑战

直接向基础模型的分词器添加新词元并保存自定义版本后,在蒸馏过程中会出现词汇表大小不一致的警告。具体表现为:

  1. 报告词汇量与实际词汇量不符
  2. 后续微调过程失败
  3. 新词元的嵌入质量不佳

解决方案演进

初始方案:直接添加词元

开发者最初尝试直接向基础模型的分词器添加新词元:

tokens = ["my_special_token", "my_special_token2"]
base_model = SentenceTransformer("intfloat/multilingual-e5-large")
base_model_module = base_model._first_module()
base_model_module.tokenizer.add_tokens(tokens, special_tokens=True)
base_model_module.auto_model.resize_token_embeddings(len(base_model_module.tokenizer))

这种方法虽然能在文件层面看到新词元,但在蒸馏过程中会出现词汇表不一致的问题。

改进方案:使用vocabulary参数

Model2Vec的最新版本已经支持通过vocabulary参数为多种分词器添加多词词汇:

vocabulary = list(model[0].tokenizer.get_vocab()) + ["my_special_token", "my_special_token2"]
static_embedding = StaticEmbedding.from_distillation(
    base_model_path,
    vocabulary=vocabulary,
    device="cpu",
    pca_dims=256,
    apply_zipf=True
)

这种方法会:

  1. 将多词词汇的各子词嵌入取平均
  2. 生成有意义的组合嵌入
  3. 适用于现代基于子词的分词器

技术要点

  1. 词元添加时机:应在蒸馏前而非蒸馏后添加新词元
  2. 嵌入质量:新词元的初始嵌入质量可能较差,需要通过微调提升
  3. 分词器兼容性:现代Model2Vec已支持多种分词器类型
  4. Zipf定律应用:新词元的位置应考虑词汇的频率分布

实践建议

  1. 使用最新版Model2Vec以获得最佳兼容性
  2. 为新词元准备足够的训练样本以提升微调效果
  3. 监控新词元在推理时的表现
  4. 考虑新词元在Zipf分布中的合理位置

通过合理应用这些技术,开发者可以有效地在Sentence-Transformers的Model2Vec蒸馏过程中添加新词元,从而提升特定领域任务的表现。

登录后查看全文
热门项目推荐
相关项目推荐

热门内容推荐

最新内容推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
150
1.95 K
kernelkernel
deepin linux kernel
C
22
6
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
986
396
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
193
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
934
554
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
521
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0