Bengali Sentence Similarity Sbert

🚀 BengaliSBERT-STS

このモデルは、STSデータセットでファインチューニングされたBengaliSBERTモデル（l3cube - pune/bengali - sentence - bert - nli）です。
プロジェクトMahaNLPの一部として公開されています : https://github.com/l3cube - pune/MarathiNLP
主要なインド言語をサポートし、クロスリンガルな文の類似度を扱うこのモデルの多言語バージョンは、こちら indic - sentence - similarity - sbert で公開されています。

データセット、モデル、およびベースライン結果の詳細は、当社の論文で確認できます。

@article{deode2023l3cube,
  title={L3Cube-IndicSBERT: A simple approach for learning cross-lingual sentence representations using multilingual BERT},
  author={Deode, Samruddhi and Gadre, Janhavi and Kajale, Aditi and Joshi, Ananya and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2304.11434},
  year={2023}
}

@article{joshi2022l3cubemahasbert,
  title={L3Cube-MahaSBERT and HindSBERT: Sentence BERT Models and Benchmarking BERT Sentence Representations for Hindi and Marathi},
  author={Joshi, Ananya and Kajale, Aditi and Gadre, Janhavi and Deode, Samruddhi and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2211.11187},
  year={2022}
}

単言語のインド語SBERT論文
多言語のインド語SBERT論文

他の単言語の類似度モデルは以下の通りです:
マラーティ語の類似度モデル
ヒンディー語の類似度モデル
カンナダ語の類似度モデル
テルグ語の類似度モデル
マラヤーラム語の類似度モデル
タミル語の類似度モデル
グジャラート語の類似度モデル
オリヤー語の類似度モデル
ベンガル語の類似度モデル
パンジャーブ語の類似度モデル
インド語の類似度モデル（多言語）

他の単言語のインド語文BERTモデルは以下の通りです:
マラーティ語SBERT
ヒンディー語SBERT
カンナダ語SBERT
テルグ語SBERT
マラヤーラム語SBERT
タミル語SBERT
グジャラート語SBERT
オリヤー語SBERT
ベンガル語SBERT
パンジャーブ語SBERT
インド語SBERT（多言語）

🚀 クイックスタート

📦 インストール

sentence-transformersをインストールすると、このモデルを簡単に使用できます。

pip install -U sentence-transformers

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

sentence-transformersを使用しない場合、以下のようにモデルを使用できます。まず、入力をTransformerモデルに渡し、その後、文脈化された単語埋め込みの上で適切なプーリング操作を適用する必要があります。

from transformers import AutoTokenizer, AutoModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(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)


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

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

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

# Perform pooling. In this case, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)

📄 ライセンス

このモデルは、CC - BY - 4.0ライセンスの下で公開されています。