sentence-transformers/msmarco-bert-co-condensor

Uso (Sentence-Transformers)

pip install -U sentence-transformers

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-co-condensor')

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

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

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

# Ordenar por puntaje decreciente
pares_doc_puntaje = sorted(pares_doc_puntaje, key=lambda x: x[1], en sentido descendente=True)

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

Uso (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch

# CLS Pooling - Tomar salida del primer token
def cls_pooling(model_output):
    return model_output.last_hidden_state[:,0]

# Codificar texto
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 pooling
    embeddings = cls_pooling(model_output)

    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 el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("sentence-transformers/msmarco-bert-co-condensor")
model = AutoModel.from_pretrained("sentence-transformers/msmarco-bert-co-condensor")

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

# Calcular el puntaje 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 puntajes
pares_doc_puntaje = list(zip(docs, scores))

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

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