DISTIL-ITA-LEGAL-BERT

dlicari

Similitud de oraciones

Usamos el proceso de distilación de conocimiento para crear un modelo estudiante rápido y ligero con solo 4 niveles de Transformers, capaz de producir incrustaciones de oraciones similares a las producidas por el modelo maestro más complejo ITALIAN-LEGAL-BERT. Optimizado en el conjunto de entrenamiento ITALIAN-LEGAL-BERT (3.7 GB) usando la biblioteca Sentence-BERT minimizando el error cuadrático medio (MSE) entre sus incrustaciones y las producidas por el modelo maestro. Este es un modelo de sentence-transformers: mapea oraciones y párrafos a un espacio vectorial denso de 768 dimensiones y puede ser utilizado para tareas como agrupamiento o búsqueda semántica.

Como usar

Uso (Sentence-Transformers):
pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
sentences = ["Esta es una oración de ejemplo", "Cada oración es convertida"]

modelo = SentenceTransformer('dlicari/distil-ita-legal-bert')
embeddings = modelo.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers):
from transformers import AutoTokenizer, AutoModel
import torch

# Agrupamiento promediado - Considerar la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # El primer elemento de model_output contiene todas las incrustaciones 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 incrustaciones
sentences = ['Esta es una oración de ejemplo', 'Cada oración es convertida']

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('dlicari/distil-ita-legal-bert')
model = AutoModel.from_pretrained('dlicari/distil-ita-legal-bert')

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

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

# Realizar agrupamiento. En este caso, agrupamiento promediado.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

Funcionalidades

Modelo de sentence-transformers
Mapea oraciones y párrafos a un espacio vectorial denso de 768 dimensiones
Optimizado usando la biblioteca Sentence-BERT
Minimiza el error cuadrático medio (MSE) entre las incrustaciones del modelo estudiante y el maestro

Casos de uso

Agrupamiento de oraciones
Búsqueda semántica