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 11:38:14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

项目优选

收起
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
179
263
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
869
514
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
130
183
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
295
331
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
333
1.09 K
harmony-utilsharmony-utils
harmony-utils 一款功能丰富且极易上手的HarmonyOS工具库,借助众多实用工具类,致力于助力开发者迅速构建鸿蒙应用。其封装的工具涵盖了APP、设备、屏幕、授权、通知、线程间通信、弹框、吐司、生物认证、用户首选项、拍照、相册、扫码、文件、日志,异常捕获、字符、字符串、数字、集合、日期、随机、base64、加密、解密、JSON等一系列的功能和操作,能够满足各种不同的开发需求。
ArkTS
18
0
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
1.07 K
0
kernelkernel
deepin linux kernel
C
22
5
WxJavaWxJava
微信开发 Java SDK,支持微信支付、开放平台、公众号、视频号、企业微信、小程序等的后端开发,记得关注公众号及时接受版本更新信息,以及加入微信群进行深入讨论
Java
829
22
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
601
58