Smaller LaBSE

🚀 LaBSE

LaBSEは、文の類似度を計算するためのモデルです。多言語に対応しており、15種類の言語での文埋め込みを生成できます。

🚀 クイックスタート

Smaller Language-agnostic BERT Sentence Encoder (LaBSE) は、元のLaBSEモデル から、論文 'Load What You Need: Smaller Versions of Multilingual BERT' で説明されている手法を用いて、15言語（元の109言語から）にディスティレーションされたBERTベースのモデルです。この論文は Ukjae Jeong によるものです。

• モデル: HuggingFaceのモデルハブ
• 元のモデル: TensorFlow Hub
• ディスティレーションソース: GitHub
• TensorFlowからPyTorchへの変換: GitHub

💻 使用例

基本的な使用法

import torch
from transformers import BertModel, BertTokenizerFast


tokenizer = BertTokenizerFast.from_pretrained("setu4993/smaller-LaBSE")
model = BertModel.from_pretrained("setu4993/smaller-LaBSE")
model = model.eval()

english_sentences = [
    "dog",
    "Puppies are nice.",
    "I enjoy taking long walks along the beach with my dog.",
]
english_inputs = tokenizer(english_sentences, return_tensors="pt", padding=True)

with torch.no_grad():
    english_outputs = model(**english_inputs)

文の埋め込みを取得するには、pooler出力を使用します。

english_embeddings = english_outputs.pooler_output

他の言語の出力例:

italian_sentences = [
    "cane",
    "I cuccioli sono carini.",
    "Mi piace fare lunghe passeggiate lungo la spiaggia con il mio cane.",
]
japanese_sentences = ["犬", "子犬はいいです", "私は犬と一緒にビーチを散歩するのが好きです"]
italian_inputs = tokenizer(italian_sentences, return_tensors="pt", padding=True)
japanese_inputs = tokenizer(japanese_sentences, return_tensors="pt", padding=True)

with torch.no_grad():
    italian_outputs = model(**italian_inputs)
    japanese_outputs = model(**japanese_inputs)

italian_embeddings = italian_outputs.pooler_output
japanese_embeddings = japanese_outputs.pooler_output

文間の類似度を計算するには、類似度を計算する前にL2ノルムを適用することをおすすめします。

import torch.nn.functional as F


def similarity(embeddings_1, embeddings_2):
    normalized_embeddings_1 = F.normalize(embeddings_1, p=2)
    normalized_embeddings_2 = F.normalize(embeddings_2, p=2)
    return torch.matmul(
        normalized_embeddings_1, normalized_embeddings_2.transpose(0, 1)
    )


print(similarity(english_embeddings, italian_embeddings))
print(similarity(english_embeddings, japanese_embeddings))
print(similarity(italian_embeddings, japanese_embeddings))

📚 ドキュメント

データ、トレーニング、評価、およびパフォーマンス指標に関する詳細は、元の論文 で確認できます。

BibTeXエントリと引用情報

@misc{feng2020languageagnostic,
      title={Language-agnostic BERT Sentence Embedding},
      author={Fangxiaoyu Feng and Yinfei Yang and Daniel Cer and Naveen Arivazhagan and Wei Wang},
      year={2020},
      eprint={2007.01852},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 ライセンス

このモデルは、Apache-2.0ライセンスの下で提供されています。

📦 モデル情報