stjiris/bert-large-portuguese-cased-legal-mlm-sts-v1.0
stjiris
Similitud de oraciones
Este es un modelo de transformers de oraciones: Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones y puede ser utilizado para tareas como agrupación o búsqueda semántica. Se deriva de BERTimbau large. Fue entrenado utilizando la técnica MLM con una tasa de aprendizaje de 3e-5 en oraciones legales de aproximadamente 30000 documentos, con 130k pasos de entrenamiento (mejor rendimiento para nuestra implementación de sistema de búsqueda semántica). Está adaptado al dominio legal portugués y entrenado para STS en conjuntos de datos portugueses.
Como usar
Usar este modelo es fácil cuando tienes sentence-transformers instalado:
pip install -U sentence-transformers
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-v1.0')
embeddings = model.encode(sentences)
print(embeddings)
from transformers import AutoTokenizer, AutoModel
import torch
#Mean Pooling - Tener en cuenta la máscara de atención para una promediación correcta
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)
# Oraciones para las que queremos incrustaciones de oraciones
sentences = ['This is an example sentence', 'Each sentence is converted']
# Cargar el modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-sts-v1.0')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm-sts-v1.0')
# 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 el pooling. En este caso, pooling promedio.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
Funcionalidades
- Transformador de oraciones
- Vector de densidad 1024D
- Entrenado con técnica MLM
- Adaptado al dominio legal portugués
- Entrenado para STS en conjuntos de datos portugueses
Casos de uso
- Agrupación de oraciones
- Búsqueda semántica
- Extracción de características
- Sentencias legales