Persian Embeddings

🚀 heydariAI/persian-embeddings

このモデルは、XLM-RoBERTaベースモデルをファインチューニングしたものです。大量のペルシャ語データセットで訓練され、ペルシャ語の文章や段落に対する高品質な文脈埋め込みを生成することができます。ペルシャ語テキストの意味検索、クラスタリング、文脈的類似度などのタスクで優れた性能を発揮し、英語とペルシャ語の多言語タスクもサポートしています。

ファインチューニングの過程では、事前学習された多言語XLM-RoBERTaモデルをペルシャ語の言語的ニュアンスをより捉えるように適応させています。これにより、ペルシャ語に特化した埋め込みが必要なタスクで非常に有効なモデルとなっています。

なお、persian-embeddingsはpersian-sentence-transformers-news-wiki-pairs-v4のクローンです。

作者情報

• GitHub: @heydaari
• Linkedin: Mohammad Hassan Heydari

🚀 クイックスタート

このモデルは、ペルシャ語の文章や段落に対する高品質な文脈埋め込みを生成するために設計されています。以下に、使用方法の例を示します。

📦 インストール

Sentence-Transformersを使用する場合

sentence-transformersをインストールすることで、このモデルを簡単に使用できます。

pip install -U sentence-transformers

💻 使用例

Sentence-Transformersを使用する場合

from sentence_transformers import SentenceTransformer
sentences = ['What are Large Language Models?','مدل های زبانی بزرگ چه هستند؟']

model = SentenceTransformer('heydariAI/persian-embeddings')
embeddings = model.encode(sentences)
print(embeddings)

HuggingFace Transformersを使用する場合

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、入力をトランスフォーマーモデルに通し、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 = ['what are Large Language Models?', 'مدل های زبانی بزرگ چه هستند؟']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('heydariAI/persian-embeddings')
model = AutoModel.from_pretrained('heydariAI/persian-embeddings')

# 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)

📄 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。