将 Sentence-Bert 与 scikit-learn 中的其他功能一起使用

Question

我有一个数据集，其中一个特征是文本，另外还有 4 个特征。 Sentence-Bert 向量化器将文本数据转换为张量。我可以直接将这些稀疏矩阵与机器学习分类器一起使用。我可以用张量替换文本列吗？而且，我该如何训练模型。下面的代码是我如何将文本转换为矢量。

model = SentenceTransformer('sentence-transformers/LaBSE')
sentence_embeddings = model.encode(X_train['tweet'], convert_to_tensor=True, show_progress_bar=True)
sentence_embeddings1 = model.encode(X_test['tweet'], convert_to_tensor=True, show_progress_bar=True)

Answer 1

假设这是您的数据

X_train = pd.DataFrame({
    'tweet':['foo', 'foo', 'bar'],
    'feature1':[1, 1, 0],
    'feature2':[1, 0, 1],
})
y_train = [1, 1, 0]

并且您愿意将其与 sklearn API（交叉验证、管道、网格搜索等）一起使用。有一个名为 ColumnTransformer 的实用程序，它可以使用用户定义的任意函数将 pandas 数据帧映射到所需的数据！你所要做的就是定义一个函数并从中创建一个官方 sklearn.transformer。

model = SentenceTransformer('mrm8488/bert-tiny-finetuned-squadv2') # model named is changed for time and computation gians :)
embedder = FunctionTransformer(lambda item:model.encode(item, convert_to_tensor=True, show_progress_bar=False).detach().cpu().numpy())

之后，您将能够像使用任何其他转换器一样使用转换器，并将您的文本列映射到语义 space，例如：

preprocessor = ColumnTransformer(
    transformers=[('embedder', embedder, 'tweet')],
    remainder='passthrough'
    )
X_train = preprocessor.fit_transform(X_train) # X_train.shape => (len(df), your_transformer_model_hidden_dim + your_features_count)

X_train 将是您想要的数据。适合与 sklearn 生态系统一起使用。

gnb = GaussianNB()
gnb.fit(X_train, y_train)

输出： GaussianNB(priors=None, var_smoothing=1e-09)

警告：数字特征和推文嵌入应该属于相同的SCALE，否则某些特征会支配其他特征并降低性能

将 Sentence-Bert 与 scikit-learn 中的其他功能一起使用

Using Sentence-Bert with other features in scikit-learn

python

machine-learning

nlp

embedding

bert-language-model