shibing624/text2vec-base-multilingual

Cómo usar el modelo se vuelve fácil cuando se tiene instalado text2vec:

pip install -U text2vec

Entonces se puede usar el modelo de esta manera:

from text2vec import SentenceModel
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']

model = SentenceModel('shibing624/text2vec-base-multilingual')
embeddings = model.encode(sentences)
print(embeddings)

Sin text2vec, se puede usar el modelo de esta manera: Primero, se pasa la entrada a través del modelo transformers, luego hay que aplicar la operación de agrupación correcta sobre las incrustaciones de palabras contextualizadas. Instalar transformers:

pip install transformers

Luego cargar el modelo y predecir:

from transformers import AutoTokenizer, AutoModel
import torch

# Agrupación media - Tener en cuenta la máscara de atención para un 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 el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('shibing624/text2vec-base-multilingual')
model = AutoModel.from_pretrained('shibing624/text2vec-base-multilingual')
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']
# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Calcular incrustaciones de tokens
with torch.no_grad():
    model_output = model(**encoded_input)
    # Realizar agrupación. En este caso, agrupación media.
    sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print('Incrustaciones de oraciones:')
print(sentence_embeddings)

sentence-transformers es una biblioteca popular para calcular representaciones de vectores densos para oraciones. Instalar sentence-transformers:

pip install -U sentence-transformers

Luego cargar el modelo y predecir:

from sentence_transformers import SentenceTransformer

m = SentenceTransformer('shibing624/text2vec-base-multilingual')
sentences = ['如何更换花呗绑定银行卡', 'How to replace the Huabei bundled bank card']

sentence_embeddings = m.encode(sentences)
print('Incrustaciones de oraciones:')
print(sentence_embeddings)