msmarco-MiniLM-L12-cos-v5

# Uso (Sentence-Transformers)

# Instalación:
pip install -U sentence-transformers

# Ejemplo de uso:
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-MiniLM-L12-cos-v5')

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

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

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

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

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

# Uso (HuggingFace Transformers)

# Sin sentence-transformers, puedes usar el modelo así:
from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F

# Método de agrupamiento promedio - Tomar promedio de todos los tokens
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output.last_hidden_state # El primer elemento de model_output contiene todos los embeddings 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)

# 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 agrupamiento
    embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

    # Normalizar embeddings
    embeddings = F.normalize(embeddings, p=2, dim=1)

    return embeddings

# Oraciones para las que queremos embeddings de sentencia
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-MiniLM-L12-cos-v5")
model = AutoModel.from_pretrained("sentence-transformers/msmarco-MiniLM-L12-cos-v5")

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

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

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

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

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