Sentence Luke Japanese Base Lite

🚀 日本語Sentence - LUKEモデル

このモデルは日本語用のSentence - LUKEモデルです。文章の特徴抽出や文章間の類似度計算などに利用でき、[日本語Sentence - BERTモデル](https://huggingface.co/sonoisa/sentence - bert - base - ja - mean - tokens - v2)と比べて、精度面で良好な結果を示します。

🚀 クイックスタート

このモデルは、[日本語Sentence - BERTモデル](https://huggingface.co/sonoisa/sentence - bert - base - ja - mean - tokens - v2)と同一のデータセットと設定で学習されています。手元の非公開データセットでの評価では、定量的な精度が同等〜0.5pt程度高く、定性的な精度は本モデルの方が高い結果となっています。事前学習済みモデルとして[studio - ousia/luke - japanese - base - lite](https://huggingface.co/studio - ousia/luke - japanese - base - lite)を利用しています。また、推論の実行にはSentencePieceが必要です（pip install sentencepiece）。

📦 インストール

推論の実行にはSentencePieceが必要です。以下のコマンドでインストールできます。

pip install sentencepiece

💻 使用例

基本的な使用法

from transformers import MLukeTokenizer, LukeModel
import torch


class SentenceLukeJapanese:
    def __init__(self, model_name_or_path, device=None):
        self.tokenizer = MLukeTokenizer.from_pretrained(model_name_or_path)
        self.model = LukeModel.from_pretrained(model_name_or_path)
        self.model.eval()

        if device is None:
            device = "cuda" if torch.cuda.is_available() else "cpu"
        self.device = torch.device(device)
        self.model.to(device)

    def _mean_pooling(self, model_output, attention_mask):
        token_embeddings = model_output[0] #First element of model_output contains all token embeddings
        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)

    @torch.no_grad()
    def encode(self, sentences, batch_size=8):
        all_embeddings = []
        iterator = range(0, len(sentences), batch_size)
        for batch_idx in iterator:
            batch = sentences[batch_idx:batch_idx + batch_size]

            encoded_input = self.tokenizer.batch_encode_plus(batch, padding="longest", 
                                           truncation=True, return_tensors="pt").to(self.device)
            model_output = self.model(**encoded_input)
            sentence_embeddings = self._mean_pooling(model_output, encoded_input["attention_mask"]).to('cpu')

            all_embeddings.extend(sentence_embeddings)

        return torch.stack(all_embeddings)


MODEL_NAME = "sonoisa/sentence-luke-japanese-base-lite"
model = SentenceLukeJapanese(MODEL_NAME)

sentences = ["暴走したAI", "暴走した人工知能"]
sentence_embeddings = model.encode(sentences, batch_size=8)

print("Sentence embeddings:", sentence_embeddings)

📄 ライセンス

このプロジェクトはApache - 2.0ライセンスの下で公開されています。