Legal BERTimbau Sts Base Ma
这是一个基于BERTimbau的葡萄牙语法律领域句子嵌入模型,专门用于句子相似度计算任务。
Downloads 16
Release Time : 8/20/2022
Model Overview
该模型能将葡萄牙语法律文本映射到768维向量空间,适用于法律文档聚类、语义搜索等任务。
Model Features
法律领域适配
专门针对葡萄牙语法律文本进行了优化和适配
句子嵌入
能将句子和段落转换为768维的密集向量表示
高精度相似度计算
在多个葡萄牙语STS数据集上表现出色
Model Capabilities
句子相似度计算
法律文本语义分析
文档聚类
语义搜索
Use Cases
法律文档处理
法律文书相似度分析
比较不同法律文书之间的语义相似度
准确识别相似法律概念和条款
法律检索系统
构建基于语义的法律文档检索系统
提高法律检索的相关性和准确性
法律智能助手
法律问答系统
支持基于语义匹配的法律问答功能
提升问答系统的理解能力
🚀 rufimelo/Legal-BERTimbau-sts-base-ma
这是一个sentence-transformers模型,它可以将句子和段落映射到一个768维的密集向量空间,可用于聚类或语义搜索等任务。rufimelo/rufimelo/Legal-BERTimbau-sts-base-ma基于Legal-BERTimbau-base,而Legal-BERTimbau-base则源自BERTimbau large。该模型适用于葡萄牙语法律领域,并在葡萄牙语数据集上针对语义文本相似度(STS)进行了训练。
🚀 快速开始
✨ 主要特性
- 基于sentence-transformers框架,能将句子和段落映射到768维的密集向量空间。
- 适用于葡萄牙语法律领域,在葡萄牙语数据集上进行了STS训练。
- 可用于聚类、语义搜索等任务。
📦 安装指南
若要使用此模型,需先安装sentence-transformers:
pip install -U sentence-transformers
💻 使用示例
基础用法
from sentence_transformers import SentenceTransformer
sentences = ["Isto é um exemplo", "Isto é um outro exemplo"]
model = SentenceTransformer('rufimelo/Legal-BERTimbau-sts-base-ma')
embeddings = model.encode(sentences)
print(embeddings)
高级用法(HuggingFace Transformers)
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('rufimelo/Legal-BERTimbau-sts-base-ma')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-base-ma')
# 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)
📚 详细文档
评估结果(STS)
模型 | Assin | Assin2 | stsb_multi_mt pt | 平均值 |
---|---|---|---|---|
Legal-BERTimbau-sts-base | 0.71457 | 0.73545 | 0.72383 | 0.72462 |
Legal-BERTimbau-sts-base-ma | 0.74874 | 0.79532 | 0.82254 | 0.78886 |
Legal-BERTimbau-sts-base-ma-v2 | 0.75481 | 0.80262 | 0.82178 | 0.79307 |
Legal-BERTimbau-base-TSDAE-sts | 0.78814 | 0.81380 | 0.75777 | 0.78657 |
Legal-BERTimbau-sts-large | 0.76629 | 0.82357 | 0.79120 | 0.79369 |
Legal-BERTimbau-sts-large-v2 | 0.76299 | 0.81121 | 0.81726 | 0.79715 |
Legal-BERTimbau-sts-large-ma | 0.76195 | 0.81622 | 0.82608 | 0.80142 |
Legal-BERTimbau-sts-large-ma-v2 | 0.7836 | 0.8462 | 0.8261 | 0.81863 |
Legal-BERTimbau-sts-large-ma-v3 | 0.7749 | 0.8470 | 0.8364 | 0.81943 |
Legal-BERTimbau-large-v2-sts | 0.71665 | 0.80106 | 0.73724 | 0.75165 |
Legal-BERTimbau-large-TSDAE-sts | 0.72376 | 0.79261 | 0.73635 | 0.75090 |
Legal-BERTimbau-large-TSDAE-sts-v2 | 0.81326 | 0.83130 | 0.786314 | 0.81029 |
Legal-BERTimbau-large-TSDAE-sts-v3 | 0.80703 | 0.82270 | 0.77638 | 0.80204 |
BERTimbau base Fine-tuned for STS | 0.78455 | 0.80626 | 0.82841 | 0.80640 |
BERTimbau large Fine-tuned for STS | 0.78193 | 0.81758 | 0.83784 | 0.81245 |
paraphrase-multilingual-mpnet-base-v2 | 0.71457 | 0.79831 | 0.83999 | 0.78429 |
paraphrase-multilingual-mpnet-base-v2 Fine-tuned with assin(s) | 0.77641 | 0.79831 | 0.84575 | 0.80682 |
训练信息
rufimelo/Legal-BERTimbau-sts-base-ma基于Legal-BERTimbau-base,而Legal-BERTimbau-base源自BERTimbau base。
首先,由于葡萄牙语数据集的缺乏,该模型采用多语言知识蒸馏进行训练。在多语言知识蒸馏过程中,教师模型为'sentence-transformers/paraphrase-xlm-r-multilingual-v1',假设支持的语言为英语,要学习的语言为葡萄牙语。
该模型针对语义文本相似度进行训练,并在assin、assin2和stsb_multi_mt pt等数据集上进行了微调。
完整模型架构
SentenceTransformer(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) 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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)
🔧 技术细节
该模型基于Sentence-Transformers框架,使用BertModel作为基础模型,并通过池化层将词嵌入转换为句子嵌入。在训练过程中,采用了多语言知识蒸馏和微调等技术,以适应葡萄牙语法律领域的语义文本相似度任务。
📄 许可证
文档未提及相关许可证信息。
引用与作者
如果使用此模型,请引用以下文献:
@inproceedings{souza2020bertimbau,
author = {F{\'a}bio Souza and
Rodrigo Nogueira and
Roberto Lotufo},
title = {{BERT}imbau: pretrained {BERT} models for {B}razilian {P}ortuguese},
booktitle = {9th Brazilian Conference on Intelligent Systems, {BRACIS}, Rio Grande do Sul, Brazil, October 20-23 (to appear)},
year = {2020}
}
@inproceedings{fonseca2016assin,
title={ASSIN: Avaliacao de similaridade semantica e inferencia textual},
author={Fonseca, E and Santos, L and Criscuolo, Marcelo and Aluisio, S},
booktitle={Computational Processing of the Portuguese Language-12th International Conference, Tomar, Portugal},
pages={13--15},
year={2016}
}
@inproceedings{real2020assin,
title={The assin 2 shared task: a quick overview},
author={Real, Livy and Fonseca, Erick and Oliveira, Hugo Goncalo},
booktitle={International Conference on Computational Processing of the Portuguese Language},
pages={406--412},
year={2020},
organization={Springer}
}
@InProceedings{huggingface:dataset:stsb_multi_mt,
title = {Machine translated multilingual STS benchmark dataset.},
author={Philip May},
year={2021},
url={https://github.com/PhilipMay/stsb-multi-mt}
}
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型,支持超过100种语言,专注于句子相似度和特征提取任务。
文本嵌入
Transformers Supports Multiple Languages

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型,用于信息检索中的查询-段落相关性评分
文本嵌入 English
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型,专为OpenSearch优化,支持免推理文档编码,在搜索相关性和效率上优于V1版本
文本嵌入
Transformers English

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型,通过自对齐预训练优化语义关系捕捉
文本嵌入 English
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型,专注于句子相似度和文本嵌入任务,在多个基准测试中表现出色。
文本嵌入 English
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型,专注于句子相似度任务,在多个文本嵌入基准测试中表现优异。
文本嵌入
Transformers Supports Multiple Languages

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型,支持超过50种语言,适用于句子相似度计算等任务。
文本嵌入
Transformers Supports Multiple Languages

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型,旨在实现完全由机器驱动的超快聚合物信息学。它将PSMILES字符串映射为600维密集指纹,以数值形式表示聚合物化学结构。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型,专为语义相似度任务优化
文本嵌入
Transformers Other

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型,通过MEDI数据集与MTEB分类任务数据集训练,优化了检索任务的查询编码能力。
文本嵌入
Safetensors English
G
avsolatorio
945.68k
29
Featured Recommended AI Models
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers Supports Multiple Languages

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers English

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 Chinese
R
uer
2,694
98