shibing624/text2vec-bge-large-chinese
shibing624
Similitud de oraciones
Este es un modelo CoSENT (Cosine Sentence): shibing624/text2vec-bge-large-chinese. Mapea oraciones a un espacio vectorial denso de 1024 dimensiones y puede usarse para tareas como incrustaciones de oraciones, emparejamiento de texto o búsqueda semántica.
Como usar
# Usando 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-bge-large-chinese')
embeddings = model.encode(sentences)
print(embeddings)
# Usando HuggingFace Transformers
pip install transformers
from transformers import BertTokenizer, BertModel
import torch
# Mean Pooling - Considerar la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] # El primer elemento de la salida del modelo 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-bge-large-chinese')
model = BertModel.from_pretrained('shibing624/text2vec-bge-large-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')
# Calcular incrustaciones de tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Realizar pooling. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print('Incrustaciones de oraciones:')
print(sentence_embeddings)
# Usando sentence-transformers
pip install -U sentence-transformers
from sentence_transformers import SentenceTransformer
m = SentenceTransformer('shibing624/text2vec-bge-large-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 CoSENT
- Mapea oraciones a un espacio vectorial denso de 1024 dimensiones
- Entrenado con un procedimiento de pérdida de rango utilizando similitud de coseno
- Dimensión de incrustación de oraciones: 1024
- Longitud máx. de secuencia: 256
- Mejor época: 4
- Basado en el modelo BAAI/bge-large-zh-noinstruct
Casos de uso
- Incrustaciones de oraciones
- Emparejamiento de texto
- Búsqueda semántica
- Recuperación de información
- Agrupamiento