shibing624/text2vec-base-chinese
shibing624
Similitud de oraciones
Este es un modelo CoSENT (Cosine Sentence): shibing624/text2vec-base-chinese. Mapea oraciones a un espacio vectorial denso de 768 dimensiones y puede ser utilizado para tareas como incrustaciones de oraciones, emparejamiento de texto o búsqueda semántica.
Como usar
Instalar y usar este modelo es fácil con text2vec:
pip install -U text2vec
from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
model = SentenceModel('shibing624/text2vec-base-chinese')
embeddings = model.encode(sentences)
print(embeddings)
Usar con Transformers de HuggingFace:
pip install transformers
from transformers import BertTokenizer, BertModel
import torch
# Mean Pooling - Tener en cuenta la máscara de atención para el promedio correcto
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] # El primer elemento de model_output contiene todas las incrustaciones 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)
# Cargar modelo desde HuggingFace Hub
tokenizer = BertTokenizer.from_pretrained('shibing624/text2vec-base-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-base-chinese')
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Computar incrustaciones de tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Incrustaciones de oraciones:")
print(sentence_embeddings)
Usar con sentence-transformers:
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
m = SentenceTransformer("shibing624/text2vec-base-chinese")
sentences = ['如何更换花呗绑定银行卡', '花呗更改绑定银行卡']
sentence_embeddings = m.encode(sentences)
print("Incrustaciones de oraciones:")
print(sentence_embeddings)
Funcionalidades
- Modelo basado en CoSENT
- Mapea oraciones a un espacio vectorial denso de 768 dimensiones
- Utilizado para incrustaciones de oraciones, emparejamiento de texto o búsqueda semántica
- Entrenado usando el modelo preentrenado hfl/chinese-macbert-base
- Modelo ajustado fino usando un objetivo contrastivo
Casos de uso
- Emparejamiento de texto
- Búsqueda semántica
- Recuperación de información
- Tareas de similitud de oraciones
- Clustering de oraciones