multi-qa-mpnet-base-cos-v1
sentence-transformers
Similitud de oraciones
Este es un modelo de sentence-transformers: Mapea oraciones y párrafos a un espacio vectorial denso de 768 dimensiones y fue diseñado para la búsqueda semántica. Ha sido entrenado en 215 millones de pares (pregunta, respuesta) de diversas fuentes.
Como usar
Uso (Sentence-Transformers)
Instalar 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/multi-qa-mpnet-base-cos-v1')
#Codificar pregunta y documentos
query_emb = model.encode(query)
doc_emb = model.encode(docs)
#Calcular la puntuación de punto entre la pregunta y todos los embeddings de 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)
#Mostrar pasajes y puntuaciones
for doc, score in doc_score_pairs:
print(score, doc)
Uso (HuggingFace Transformers)
from transformers import AutoTokenizer, AutoModel
import torch
import torch.nn.functional as F
# Mean Pooling - Tomar el promedio de todos los tokens
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output.last_hidden_state # 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 los embeddings de los tokens
with torch.no_grad():
model_output = model(**encoded_input, return_dict=True)
# Realizar pooling
embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
# Normalizar embeddings
embeddings = F.normalize(embeddings, p=2, dim=1)
return embeddings
# Oraciones para las cuales queremos embeddings 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/multi-qa-mpnet-base-cos-v1")
model = AutoModel.from_pretrained("sentence-transformers/multi-qa-mpnet-base-cos-v1")
#Codificar pregunta y documentos
def encode(texts):
encoded_input = tokenizer(texts, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
model_output = model(**encoded_input, return_dict=True)
embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
embeddings = F.normalize(embeddings, p=2, dim=1)
return embeddings
query_emb = encode(query)
doc_emb = encode(docs)
#Calcular la puntuación de punto entre la pregunta y todos los embeddings de documentos
scores = torch.mm(query_emb, doc_emb.transpose(0, 1))[0].cpu().tolist()
#Combinar documentos & 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)
#Mostrar pasajes & puntuaciones
for doc, score in doc_score_pairs:
print(score, doc)
Funcionalidades
- Búsqueda semántica
- Codificación de preguntas y documentos en un espacio vectorial denso
- Embeddings normalizados
- Pooling de media
- Funciones de puntuación compatibles: producto punto, similitud coseno, distancia euclidiana
Casos de uso
- Búsqueda semántica
- Encontrar documentos relevantes para pasajes dados
- Codificación de preguntas y párrafos en un espacio vectorial denso