Roberta Ko Small Tsdae

🚀 smartmind/roberta-ko-small-tsdae

このモデルはsentence-transformersをベースとしており、文章や段落を256次元の密なベクトル空間にマッピングし、クラスタリングや意味検索などのタスクに使用できます。

TSDAEで事前学習された韓国語のrobertaモデルです。モデルの構造はlassl/roberta-ko-smallと同じですが、トークナイザーは異なります。

文章の類似度を求める用途でそのまま使用することも、目的に合わせてファインチューニングして使用することも可能です。

🚀 クイックスタート

このモデルは文章や段落を256次元の密なベクトル空間にマッピングし、クラスタリングや意味検索などのタスクに使用できます。以下に使用方法の例を示します。

✨ 主な機能

• 文章や段落を256次元の密なベクトル空間にマッピングする。
• クラスタリングや意味検索などのタスクに使用できる。
• sentence-similarityを求める用途でそのまま使用することも、目的に合わせてファインチューニングして使用することも可能。

📦 インストール

sentence-transformersをインストールするには、以下のコマンドを実行します。

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('smartmind/roberta-ko-small-tsdae')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

from sentence_transformers import util

sentences = [
    "대한민국의 수도는 서울입니다.",
    "미국의 수도는 뉴욕이 아닙니다.",
    "대한민국의 수도 요금은 저렴한 편입니다.",
    "서울은 대한민국의 수도입니다.",
    "오늘 서울은 하루종일 맑음",
]

paraphrase = util.paraphrase_mining(model, sentences)
for score, i, j in paraphrase:
    print(f"{sentences[i]}\t\t{sentences[j]}\t\t{score:.4f}")

HuggingFace Transformersを使用した場合

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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('smartmind/roberta-ko-small-tsdae')
model = AutoModel.from_pretrained('smartmind/roberta-ko-small-tsdae')

# 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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

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

📚 ドキュメント

評価結果

klue STSデータに対する評価結果は以下の通りです。このデータに対してファインチューニングしていない状態で得られたスコアです。

モデルのアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 508, 'do_lower_case': False}) with Transformer model: RobertaModel
  (1): Pooling({'word_embedding_dimension': 256, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 ライセンス

このモデルはMITライセンスの下で公開されています。