WRAPresentations

Usar este modelo es sencillo cuando tienes sentence-transformers instalado:

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer
tweets = ["Este es un ejemplo de #tweet", "Cada tweet es convertido"]
model = SentenceTransformer("TomatenMarc/WRAPresentations")
embeddings = model.encode(tweets)
print(embeddings)

Para usar el modelo sin sentence-transformers:

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - Ten en cuenta 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 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)

# Tweets para los que queremos incrustaciones
tweets = ["Este es un ejemplo de #tweet", "Cada tweet es convertido"]

# Cargar modelo desde HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("TomatenMarc/WRAPresentations")
model = AutoModel.from_pretrained("TomatenMarc/WRAPresentations")

# Tokenizar oraciones
encoded_input = tokenizer(tweets, padding=True, truncation=True, return_tensors="pt")

# Calcular incrustaciones de tokens
with torch.no_grad():
    model_output = model(**encoded_input)

# Realizar el agrupamiento. En este caso, agrupamiento por media.
sentence_embeddings = mean_pooling(model_output, encoded_input["attention_mask"])

print("Incrustaciones de oraciones:")
print(sentence_embeddings)

Además, el modelo WRAPresentations es un componente de incrustación altamente adecuado para AutoModelForSequenceClassification, lo que permite un ajuste fino adicional de las tareas de clasificación de tweets específicamente para las cuatro clases: Razón, Declaración, Notificación y Ninguna.