stjiris/bert-large-portuguese-cased-legal-mlm-sts-v0

stjiris
Similitud de oraciones

Este es un modelo de sentence-transformers: Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones y puede usarse para tareas como agrupamiento o búsqueda semántica. stjiris/bert-large-portuguese-cased-legal-mlm-sts-v0 deriva de stjiris/bert-large-portuguese-cased-legal-mlm (variante legal de BERTimbau grande). Fue entrenado utilizando la técnica de MLM con una tasa de aprendizaje de 1e-5 en Frases Legales de aproximadamente 30,000 documentos y 15,000 pasos de entrenamiento (mejor rendimiento para nuestra implementación del sistema de búsqueda semántica). Fue entrenado para Similaridad Textual Semántica, sometiéndose a una etapa de ajuste fino con los conjuntos de datos assin, assin2 y stsb_multi_mt pt.

Como usar

Uso (Sentence-Transformers)

Instalar sentence-transformers y usar el modelo así:

from sentence_transformers import SentenceTransformer
sentences = ["Isto é um exemplo", "Isto é um outro exemplo"]

model = SentenceTransformer('stjiris/bert-large-portuguese-cased-legal-mlm-sts-v0')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Tener en cuenta la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # First element of 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)

# Frases para las que queremos embeddings de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-sts-v0')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-sts-v0')

# Tokenizar oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Calcular embeddings de tokens
with torch.no_grad():
    model_output = model(**encoded_input)
# Realizar pooling. En este caso, pooling medio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)

Funcionalidades

Modelado de frases y párrafos a un espacio vectorial de 1024 dimensiones
Uso en tareas de agrupamiento y búsqueda semántica
Entrenamiento con la técnica MLM
Ajuste fino para Similaridad Textual Semántica
Tasa de aprendizaje de 1e-5
Entrenamiento en documentos legales

Casos de uso

Agrupamiento de documentos legales
Búsqueda semántica de información legal
Mejora de los sistemas de recuperación de información en contextos legales