stjiris/bert-large-portuguese-cased-legal-tsdae-gpl-nli-sts-MetaKD-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 ser utilizado para tareas como agrupamiento o búsqueda semántica. stjiris/bert-large-portuguese-cased-legal-tsdae-gpl-nli-sts-v0 deriva de stjiris/bert-large-portuguese-cased-legal-tsdae (variante legal de BERTimbau large). Fue entrenado usando la técnica TSDAE con una tasa de aprendizaje 1e-5 en oraciones legales de aproximadamente 30000 documentos con 212k pasos de entrenamiento (mejor rendimiento para nuestra implementación de sistema de búsqueda semántica). Fue sometido a una etapa de afinamiento con los conjuntos de datos assin, assin2, stsb_multi_mt pt.

Como usar

Uso (Sentence-Transformers)

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-tsdae-gpl-nli-sts-MetaKD-v0')
embeddings = model.encode(sentences)
print(embeddings)

Uso (HuggingFace Transformers)

from transformers import AutoTokenizer, AutoModel
import torch

#Media de agrupamiento - Considera la máscara de atención para un promedio correcto
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #Primer elemento de 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)

# Oraciones para las cuales queremos embeddings
deen prayer
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-tsdae-gpl-nli-sts-MetaKD-v0')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-tsdae-gpl-nli-sts-MetaKD-v0')

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

# Calcular embeddings de token
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar agrupamiento. En este caso, agrupamiento de media.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)

Funcionalidades

Modelo sentence-transformers
Mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones
Entrenado usando la técnica TSDAE
Entrenado en oraciones legales de aproximadamente 30000 documentos
Realizó 212k pasos de entrenamiento
Presentado a un entrenamiento de Generative Pseudo Labeling
Usó datos de NLI
Tamaño de lote de 16, tasa de aprendizaje de 2e-5
Afín de similaridad textual semántica

Casos de uso

Agrupamiento de oraciones
Búsqueda semántica
Extracción de características
Procesamiento de texto en portugués legal