stjiris/bert-large-portuguese-cased-legal-tsdae-gpl-nli-sts-v1
Este es un modelo sentence-transformers: mapea oraciones y párrafos a un espacio vectorial denso de 1024 dimensiones y puede ser usado para tareas como agrupamiento o búsqueda semántica. stjiris/bert-large-portuguese-cased-legal-tsdae se deriva de BERTimbau large. Fue entrenado utilizando la técnica TSDAE con una tasa de aprendizaje de 1e-5 en Sentencias Legales de aproximadamente 30000 documentos, con 212k pasos de entrenamiento (mejor rendimiento para nuestra implementación del sistema de búsqueda semántica). Fue presentado al entrenamiento Generative Pseudo Labeling y a los datos NLI con un tamaño de lote de 16 y una tasa de aprendizaje de 2e-5. Fue refinado para Similaridad Textual Semántica, siendo sometido a una etapa de ajuste fino con los conjuntos de datos assin, assin2, stsb_multi_mt pt y IRIS STS.
Como usar
Uso (Sentence-Transformers)
Instalar sentence-transformers:
pip install -U sentence-transformers
Usar el modelo:
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-v1')
embeddings = model.encode(sentences)
print(embeddings)
Uso (HuggingFace Transformers)
from transformers import AutoTokenizer, AutoModel
import torch
# Mean Pooling - Considerar la máscara de atención para el promedio correcto
def mean_pooling(model_output, attention_mask):
token_embeddings = model_output[0] # El primer elemento de model_output contiene todas las 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 que queremos embeddings 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-tsdae-gpl-nli-sts-v1')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-tsdae-gpl-nli-sts-v1')
# Tokenizar las oraciones
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')
# Calcular las embeddings de los tokens
with torch.no_grad():
model_output = model(**encoded_input)
# Realizar el pooling. En este caso, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Embeddings de oraciones:")
print(sentence_embeddings)
Funcionalidades
- Transformadores PyTorch
- Extracción de características
- Embeddings de texto
- Búsqueda semántica
- Técnica TSDAE
- Entrenamiento Generative Pseudo Labeling
- Datos NLI
Casos de uso
- Agrupamiento de oraciones
- Búsqueda semántica
- Similaridad textual semántica
- Análisis jurídico