biencoder-electra-base-mmarcoFR
antoinelouis
Similitud de oraciones
Este es un modelo bi-codificador denso de vector único para francés que se puede utilizar para la búsqueda semántica. El modelo mapea consultas y pasajes a vectores densos de 768 dimensiones que se utilizan para calcular la relevancia mediante la similitud del coseno.
Como usar
Usando Sentence-Transformers
from sentence_transformers import SentenceTransformer
queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]
model = SentenceTransformer('antoinelouis/biencoder-electra-base-french-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)
similarity = q_embeddings @ p_embeddings.T
print(similarity)
Usando FlagEmbedding
from FlagEmbedding import FlagModel
queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]
model = FlagModel('antoinelouis/biencoder-electra-base-french-mmarcoFR')
q_embeddings = model.encode(queries, normalize_embeddings=True)
p_embeddings = model.encode(passages, normalize_embeddings=True)
similarity = q_embeddings @ p_embeddings.T
print(similarity)
Usando Transformers
from transformers import AutoTokenizer, AutoModel
from torch.nn.functional import normalize
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] # Primer elemento de model_output contiene todas las codificaciones de tokens
input_mask_expanded = attention_mask.unsqueeze(-1).expand(token_embeddings.size()).float()
return torch.sum(token_embeddings * input_mask_expanded, 1) / torch.clamp(input_mask_expanded.sum(1), min=1e-9)
queries = ["Ceci est un exemple de requête.", "Voici un second exemple."]
passages = ["Ceci est un exemple de passage.", "Et voilà un deuxième exemple."]
tokenizer = AutoTokenizer.from_pretrained('antoinelouis/biencoder-electra-base-french-mmarcoFR')
model = AutoModel.from_pretrained('antoinelouis/biencoder-electra-base-french-mmarcoFR')
q_input = tokenizer(queries, padding=True, truncation=True, return_tensors='pt')
p_input = tokenizer(passages, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
q_output = model(**q_input)
p_output = model(**p_input)
q_embeddings = mean_pooling(q_output, q_input['attention_mask'])
q_embeddings = normalize(q_embeddings, p=2, dim=1)
p_embeddings = mean_pooling(p_output, p_input['attention_mask'])
p_embeddings = normalize(p_embeddings, p=2, dim=1)
similarity = q_embeddings @ p_embeddings.T
print(similarity)
Funcionalidades
- Modelo bi-codificador denso de vector único
- Optimizado para la búsqueda semántica
- Mapea consultas y pasajes a vectores densos de 768 dimensiones
- Utiliza la similitud del coseno para calcular la relevancia
Casos de uso
- Búsqueda semántica
- Recuperación de pasajes
- Evaluar la relevancia de consultas y pasajes en francés