Indic Sentence Similarity Sbert

🚀 IndicSBERT-STS

このモデルは、10の主要なインド言語のSTSデータセットで訓練されたIndicSBERTモデルです。単一のモデルで英語、ヒンディー語、マラーティー語、カンナダ語、タミル語、テルグ語、グジャラート語、オリヤー語、パンジャーブ語、マラヤーラム語、ベンガル語に対応し、クロスリンガルな機能も備えています。

🚀 クイックスタート

このモデルの使用方法について説明します。

💻 使用例

基本的な使用法 (Sentence-Transformers)

このモデルを使用するには、sentence-transformers をインストールする必要があります。

pip install -U sentence-transformers

その後、以下のようにモデルを使用できます。

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 (HuggingFace Transformers)

sentence-transformers を使用せずにモデルを使用する場合、まず入力をトランスフォーマーモデルに通し、その後コンテキスト化された単語埋め込みに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)

✨ 主な機能

• パイプラインタグ: 文の類似度判定
• 言語: 多言語（英語、ヒンディー語、マラーティー語、カンナダ語、タミル語、テルグ語、グジャラート語、オリヤー語、パンジャーブ語、マラヤーラム語、ベンガル語）
• クロスリンガルな機能を備えています。

ウィジェットの使用例

• 単言語 - マラーティー語
  • ソース文: "दिवाळी आपण मोठ्या उत्साहाने साजरी करतो"
  • 比較文:
    • "दिवाळी आपण आनंदाने साजरी करतो"
    • "दिवाळी हा दिव्यांचा सण आहे"
• 単言語 - ヒンディー語
  • ソース文: "हम दीपावली उत्साह के साथ मनाते हैं"
  • 比較文:
    • "हम दीपावली खुशियों से मनाते हैं"
    • "दिवाली रोशनी का त्योहार है"
• 単言語 - グジャラート語
  • ソース文: "અમે ઉત્સાહથી દિવાળી ઉજવીએ છીએ"
  • 比較文:
    • "દિવાળી આપણે ખુશીઓથી ઉજવીએ છીએ"
    • "દિવાળી એ રોશનીનો તહેવાર છે"
• クロスリンガル 1
  • ソース文: "आम्हाला भारतीय असल्याचा अभिमान आहे"
  • 比較文:
    • "हमें भारतीय होने पर गर्व है"
    • "భారతీయులమైనందుకు గర్విస్తున్నాం"
    • "અમને ભારતીય હોવાનો ગર્વ છે"
• クロスリンガル 2
  • ソース文: "ਬਾਰਿਸ਼ ਤੋਂ ਬਾਅਦ ਬਗੀਚਾ ਸੁੰਦਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ"
  • 比較文:
    • "മഴയ്ക്ക് ശേഷം പൂന്തോട്ടം മനോഹരമായി കാണപ്പെടുന്നു"
    • "ବର୍ଷା ପରେ ବଗିଚା ସୁନ୍ଦର ଦେଖାଯାଏ |"
    • "बारिश के बाद बगीचा सुंदर दिखता है"

📦 インストール

このモデルを使用するには、sentence-transformers をインストールする必要があります。

pip install -U sentence-transformers

📚 ドキュメント

• 汎用的なIndic Sentence BERTモデル: l3cube-pune/indic-sentence-bert-nli
• データセット、モデル、ベースライン結果の詳細については、論文 を参照してください。

関連論文

• 単言語Indic SBERT論文
• 多言語Indic SBERT論文

その他の単言語類似度モデル

• マラーティー語類似度
• ヒンディー語類似度
• カンナダ語類似度
• テルグ語類似度
• マラヤーラム語類似度
• タミル語類似度
• グジャラート語類似度
• オリヤー語類似度
• ベンガル語類似度
• パンジャーブ語類似度
• Indic類似度 (多言語)

その他の単言語Indic sentence BERTモデル

• マラーティー語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
• Indic SBERT (多言語)

📄 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。

引用

@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}
}