atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr

atasoglu
Similitud de oraciones

Este es un modelo de transformadores de oraciones: mapea oraciones y párrafos a un espacio vectorial denso de 512 dimensiones y se puede usar para tareas como agrupamiento o búsqueda semántica.

Como usar

Cuando tienes sentence-transformers instalado, puedes usar el modelo de la siguiente manera:

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')
embeddings = model.encode(sentences)
print(embeddings)

Sin sentence-transformers puedes usar el modelo de esta manera:

from transformers import AutoTokenizer, AutoModel
import torch

# Promedio de Pooling - Tener en cuenta la máscara de atención para el promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # El primer elemento de model_output contiene todos los embeddings 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)

# Oraciones para las que queremos embeddings
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')
model = AutoModel.from_pretrained('atasoglu/roberta-small-turkish-clean-uncased-nli-stsb-tr')

# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Calcular embeddings de tokens
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar pooling. En este caso, promedio de pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Embeddings de oraciones:")
print(sentence_embeddings)

Funcionalidades

Transformadores de oraciones
Mapeo a espacio vectorial denso de 512 dimensiones
Adaptado de burakaytan/roberta-small-turkish-clean-uncased
Entrenado y afinado en los conjuntos de datos nli_tr y emrecan/stsb-mt-turkish
Textos convertidos a minúsculas manualmente

Casos de uso

Agrupamiento de oraciones
Búsqueda semántica
Búsqueda en bases de datos de documentos
Comparación de similitud entre oraciones