1. 文章简介

标题：SentEval: An Evaluation Toolkit for Universal Sentence Representations
作者：Alexis Conneau, Douwe Kiela
日期：2018
期刊：arxiv preprint

2. 文章概括

文章给出了一个可以自动评估NLP句子嵌入向量的开源工具SentEval，思想简单，操作便捷。由于很多当前的语言模型在评估下游任务的时候直接采用该工具包，所以笔者今天来学习一下原论文（也很精简）

3 文章重点技术

3.1 evaluation pipeline

文章尝试将句子嵌入评估封装为一套简单清晰的pipeline。原文的SentEval支持一下NLP任务的评估

二分类/多分类：包括情感分类(MR, SST)、问答类分类(TREC))、产品评论分类(CR)、主观客观分类(SUBJ)、倾向性分类(MPQA)。文章会将句子嵌入的顶层增加一个Logistic Regression/MLP(Multiple Perceptron)分类器，然后通过10-fold交叉验证评估句子嵌入的性能。
句子蕴含和语义相关性分析：文章选用SICK-E数据集来评估句子蕴含类任务，和上述分类方法一致；针对语义相关性任务，文章使用SICK-R和STS数据集进行评估：数据集包含0～5之间的分值表示两个句子的相似度，文章采用[1]中的句子相关性分析方法来计算句子相关性得分，最后给出采用当前句子嵌入得到的相关性得分和真实得分之间的Pearson/Spearman相关系数作为评估标准。
STS语义相似度：文章在SemEval数据集（包括新闻、评论、图像视频描述、标题、新闻对话）上进行相似度评估，该数据集每个句子对应一个0-5之间的相似度得分，文章会计算给定句子嵌入之间的cosine相似度，然后得到cosine相似度和真实相似度之间的Pearson/Spearman相关系数作为评估标准
段落检测：文章采用MRPC数据集用于评估段落检测类NLP任务，该数据集包含句子对及标签，标签反应句子是否为同义/同段落
标题图像检索
当前SentEval支持的下游任务可在github上查看：

3.2 使用

工具的使用非常简单，开发人员只需要自定义prepare和batcher函数，分别用于句子与处理和句子嵌入生成即可。此外开发人员可通过修改params来控制参数

4. 代码

下面为实际使用SentEval的代码/命令行

4.1 数据下载

SentEval可通过运行get_transfer_data.bash自动下载全部数据集，读者可以自行注释掉无关的数据集以提升效率/节约存储。下载成功之后数据集会自动存储到data/downstream/文件夹下。

4.2 句子嵌入

现在我们要评估句子嵌入的表现。假设我们要评估fastText向量（读者可以替换为自己训练的向量），首先通过curl -Lo crawl-300d-2M.vec.zip https://dl.fbaipublicfiles.com/fasttext/vectors-english/crawl-300d-2M.vec.zip下载fasttext/crawl-300d-2M.vec向量，要保证下载路径和bow.py中的PATH_TO_VEC一致，然后将文件解压即可。

4.3 句子嵌入评估

以bow向量（fastText)为例，SentEval给出了bow.py示例，开发人员可以类似地构造自己的句子嵌入类。首先要构造函数prepare(params, dataset)，后续传入评估pipeline中的do_prepare。这里只需要包含必要的预处理即可。
然后构造函数batcher(params, batch)，对传入的句子batch进行嵌入表示，返回嵌入数组，传入评估pipeline中的run()
最后只需要运行python bow.py即可，可在main方法中将不需要的tasks注释掉。注意如果没有cuda，需要在classifier.py中和cuda相关的注释掉或者改成cpu
笔者这里只试验了一小部分Vec和一小部分TREC数据，最终可以得到如下评估结果。使用还是非常简单的。
TREC-bow