Labse

🚀 LaBSE

LaBSE（Language-agnostic BERT Sentence Encoder）は、109言語の文章埋め込みのために学習されたBERTベースのモデルです。このモデルは、多言語の文章埋め込みを取得したり、バイテキスト検索に役立ちます。

🚀 クイックスタート

LaBSEモデルは、多言語の文章埋め込みを取得するために使用できます。以下に、このモデルの基本的な使い方を示します。

✨ 主な機能

• 109言語に対応した文章埋め込みを生成します。
• マルチリンガルな文章埋め込みに適しており、バイテキスト検索に役立ちます。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

import torch
from transformers import BertModel, BertTokenizerFast


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

文章埋め込みの取得

文章埋め込みを取得するには、pooler_outputを使用します。

english_embeddings = english_outputs.pooler_output

他言語の出力

他の言語の文章に対しても同様に処理できます。

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

文章間の類似度計算

文章間の類似度を計算するには、類似度を計算する前にL2正規化を行う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

• モデル: HuggingFaceのモデルハブ
• 論文: arXiv
• オリジナルモデル: TensorFlow Hub
• ブログ記事: Google AI Blog
• TensorFlowからPyTorchへの変換: GitHub

このモデルは、TF Hubのv2モデルから移行されたもので、辞書ベースの入力を使用します。モデルの両バージョンによって生成される埋め込みは同等です。

🔧 技術詳細

データ、学習、評価、および性能指標に関する詳細は、オリジナルの論文に記載されています。

BibTeX引用

@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