Robbert 2022 Dutch Sentence Transformers

🚀 robbert-2022-dutch-sentence-transformers

このモデルはsentence-transformersモデルです。文章や段落を768次元の密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。

このモデルはKU LeuvenのRobBERTモデルに基づいています。オランダ語に（機械）翻訳されたParaphraseデータセットでファインチューニングされています。Paraphraseデータセットは、似たテキストのペアで構成される複数のデータセットで構成されており、例えばフォーラム上の重複する質問などが含まれます。

このモデルの学習に使用した翻訳データは、当社のHuggingfaceページで公開しています。

🚀 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('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

sentence-transformersを使用せずに、このモデルを使用することもできます。まず、入力をTransformerモデルに通し、その後、文脈化された単語埋め込みに対して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('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')
model = AutoModel.from_pretrained('NetherlandsForensicInstitute/robbert-2022-dutch-sentence-transformers')

# 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)

🔧 技術詳細

学習

このモデルは以下のパラメータで学習されました。

DataLoader: MultiDatasetDataLoader.MultiDatasetDataLoader（長さ414262）、パラメータは以下の通りです。

{'batch_size': 1}

Loss: sentence_transformers.losses.MultipleNegativesRankingLoss.MultipleNegativesRankingLoss、パラメータは以下の通りです。

{'scale': 20.0, 'similarity_fct': 'cos_sim'}

fit()メソッドのパラメータ:

{
    "epochs": 1,
    "evaluation_steps": 50000,
    "evaluator": "sentence_transformers.evaluation.EmbeddingSimilarityEvaluator.EmbeddingSimilarityEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 500,
    "weight_decay": 0.01
}

完全なモデルアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 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。

📚 詳細情報

このモデルを引用するには、このページの右上にある3つのドットをクリックし、「このモデルを引用する」をクリックしてください。

関連情報

ウィジェット例

• 例のタイトル: Nederlands
  • ソース文章: Deze week ga ik naar de kapper
  • 比較文章:
    • Ik ga binnenkort mijn haren laten knippen
    • Morgen wil ik uitslapen
    • Gisteren ging ik naar de bioscoop