Sbert Uncased Finnish Paraphrase

🚀 小文字のフィンランド語Sentence BERTモデル

FinBERTから学習されたフィンランド語Sentence BERTです。4億文のデータセットから最も類似した文を検索するデモ（大文字小文字区別するモデルを使用）はこちらで見ることができます。

🚀 クイックスタート

このモデルは、文の類似度を計算するために使用できます。以下のセクションでは、モデルの学習方法、使用方法、評価結果などについて説明します。

✨ 主な機能

• フィンランド語の文の類似度を計算することができます。
• 小文字のフィンランド語Sentence BERTモデルです。

📦 インストール

このモデルは、sentence-transformersライブラリを使用して学習されています。必要なライブラリをインストールすることで使用できます。

💻 使用例

基本的な使用法

from sentence_transformers import SentenceTransformer
sentences = ["Tämä on esimerkkilause.", "Tämä on toinen lause."]

model = SentenceTransformer('TurkuNLP/sbert-uncased-finnish-paraphrase')
embeddings = model.encode(sentences)
print(embeddings)

高度な使用法

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 = ["Tämä on esimerkkilause.", "Tämä on toinen lause."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('TurkuNLP/sbert-uncased-finnish-paraphrase')
model = AutoModel.from_pretrained('TurkuNLP/sbert-uncased-finnish-paraphrase')

# 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)

📚 ドキュメント

学習

• ライブラリ: sentence-transformers
• FinBERTモデル: TurkuNLP/bert-base-finnish-uncased-v1
• データ: こちらで提供されているデータ。フィンランド語パラフレーズコーパスと自動収集されたパラフレーズ候補（50万件の肯定例と500万件の否定例）が含まれます。
• プーリング: 平均プーリング
• タスク: 2つの文がパラフレーズであるかどうかを二値予測するタスクです。ラベル3と4はパラフレーズと見なされ、ラベル1と2は非パラフレーズと見なされます。ラベルの詳細

評価結果

評価結果について詳細を記載した論文は現在執筆中です。

モデルのアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': True}) with Transformer model: BertModel
  (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})
    )

引用と著者

論文が執筆中の間は、このページを引用してください。

参考文献

• J. Kanerva, F. Ginter, LH. Chang, I. Rastas, V. Skantsi, J. Kilpeläinen, HM. Kupari, J. Saarni, M. Sevón, and O. Tarkka. Finnish Paraphrase Corpus. In NoDaLiDa 2021, 2021.
• N. Reimers and I. Gurevych. Sentence-BERT: Sentence embeddings using Siamese BERT-networks. In EMNLP-IJCNLP, pages 3982–3992, 2019.
• A. Virtanen, J. Kanerva, R. Ilo, J. Luoma, J. Luotolahti, T. Salakoski, F. Ginter, and S. Pyysalo. Multilingual is not enough: BERT for Finnish. arXiv preprint arXiv:1912.07076, 2019.