msmarco-bert-base-dot-v5

Uso (Sentence-Transformers)

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

pip install -U sentence-transformers

Luego puedes usar el modelo de esta forma:

from sentence_transformers import SentenceTransformer, util

query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

#Cargar el modelo
model = SentenceTransformer('sentence-transformers/msmarco-bert-base-dot-v5')

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

#Calcular puntuación punto entre la consulta y todas las incrustaciones de documentos
scores = util.dot_score(query_emb, doc_emb)[0].cpu().tolist()

#Combinar documentos y puntuaciones
comb_docs_scores = list(zip(docs, scores))

#Ordenar por puntuación descendente
comb_docs_scores = sorted(comb_docs_scores, key=lambda x: x[1], reverse=True)

#Imprimir pasajes y puntuaciones
print("Consulta:", query)
for doc, score in comb_docs_scores:
    print(score, doc)

Uso (HuggingFace Transformers)

Sin sentence-transformers, puedes usar el modelo así: Primero, pasas tu entrada a través del modelo transformador, luego debes aplicar la operación de agrupación correcta sobre las incrustaciones de palabras contextualizadas.

from transformers import AutoTokenizer, AutoModel
import torch

#Agrupación Promedio - Tener en cuenta la máscara de atención para el 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 textos
def encode(texts):
    #Tokenizar oraciones
    encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')

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

    #Realizar agrupación
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
    return embeddings

#Oraciones para las que queremos incrustaciones de oraciones
query = "How many people live in London?"
docs = ["Around 9 Million people live in London", "London is known for its financial district"]

#Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/msmarco-bert-base-dot-v5")
model = AutoModel.from_pretrained("sentence-transformers/msmarco-bert-base-dot-v5")

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

#Calcular puntuación de punto entre la consulta y todas las incrustaciones de documentos
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()

#Combinar documentos y puntuaciones
comb_docs_scores = list(zip(docs, scores))

#Ordenar por puntuación descendente
comb_docs_scores = sorted(comb_docs_scores, key=lambda x: x[1], reverse=True)

#Imprimir pasajes y puntuaciones
print("Consulta:", query)
for doc, score in comb_docs_scores:
    print(score, doc)