mmarco-sentence-flare-it

Uso (Sentence-Transformers)

Usar este modelo es fácil cuando tienes sentence-transformers instalado:

pip install -U sentence-transformers

Luego puedes utilizar el modelo así:

from sentence_transformers import SentenceTransformer, util

query = "Quante persone vivono a Londra?"
docs = ["A Londra vivono circa 9 milioni di persone", "Londra è conosciuta per il suo quartiere finanziario"]

# Cargar el modelo
model = SentenceTransformer('nickprock/mmarco-sentence-flare-it')

# Codificar consulta y documentos
query_emb = model.encode(query)
doc_emb = model.encode(docs)

# Calcular puntaje de punto entre consulta y todos los embeddings de documentos
scores = util.dot_score(query_emb, doc_emb)[0].cpu().tolist()

# Combinar documentos y puntajes
doc_score_pairs = list(zip(docs, scores))

# Ordenar por puntaje decreciente
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

# Salida de pasajes y puntajes
for doc, score in doc_score_pairs:
print(score, doc)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: primero, pasas tu entrada a través del modelo transformador, luego tienes que aplicar la operación de pooling correcta sobre los embeddings de palabras contextualizados.

from transformers import AutoTokenizer, AutoModel
import torch

# Pooling Promedio - Tener en cuenta la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output.last_hidden_state
    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)

# Codificar texto
def encode(texts):
    # Tokenizar oraciones
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')
    # Calcular embeddings de tokens
    with torch.no_grad():
        model_output = model(**encoded_input, return_dict=True)
    # Realizar pooling
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
    return embeddings

# Oraciones para las que queremos embeddings
query = "Quante persone vivono a Londra?"
docs = ["A Londra vivono circa 9 milioni di persone", "Londra è conosciuta per il suo quartiere finanziario"]

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("nickprock/mmarco-sentence-flare-it")
model = AutoModel.from_pretrained("nickprock/mmarco-sentence-flare-it")

# Codificar consulta y documentos
query_emb = encode(query)
doc_emb = encode(docs)

# Calcular puntaje de punto entre consulta y todos los embeddings de documentos
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()

# Combinar documentos y puntajes
doc_score_pairs = list(zip(docs, scores))

# Ordenar por puntaje decreciente
doc_score_pairs = sorted(doc_score_pairs, key=lambda x: x[1], reverse=True)

# Salida de pasajes y puntajes
print("Query:", query)
for doc, score in doc_score_pairs:
    print(score, doc)