Legal-BERTimbau-sts-large
rufimelo
Similitud de oraciones
Legal-BERTimbau-sts-large es un modelo de sentence-transformers: Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones y puede ser utilizado para tareas como clustering o búsqueda semántica. Legal-BERTimbau-sts-large está basado en Legal-BERTimbau-large, que se deriva de BERTimbau large. Está adaptado al dominio legal portugués y entrenado para STS en conjuntos de datos en portugués.
Como usar
Uso (Sentence-Transformers)
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
sentences = ["Isto é um exemplo", "Isto é um outro exemplo"]
model = SentenceTransformer('rufimelo/Legal-BERTimbau-sts-large')
embeddings = model.encode(sentences)
print(embeddings)
Uso (HuggingFace Transformers)
from transformers import AutoTokenizer, AutoModel
import torch
# Mean Pooling - Tomar en cuenta la atención para un 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 los 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 de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar modelo desde HuggingFace Hub
# Tokenize sentences
tokenizer = AutoTokenizer.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')
# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Computar embeddings de tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Realizar pooling. En este caso, pooling promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
Funcionalidades
- Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones
- Adaptado al dominio legal portugués
- Entrenado para STS en conjuntos de datos en portugués
Casos de uso
- Clustering
- Búsqueda semántica
- Extracción de características