Bengali Sentence Similarity Sbert

🚀 BengaliSBERT-STS

這是一個在STS數據集上微調的BengaliSBERT模型（l3cube-pune/bengali-sentence-bert-nli）。
作為MahaNLP項目的一部分發布：https://github.com/l3cube-pune/MarathiNLP
一個支持主要印度語言和跨語言句子相似度的該模型多語言版本可在此處獲取 indic-sentence-similarity-sbert

有關數據集、模型和基線結果的更多詳細信息可在我們的[論文] (https://arxiv.org/abs/2304.11434) 中找到。

🚀 快速開始

使用示例

pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- feature-extraction
- sentence-similarity
- transformers
license: cc-by-4.0
language: bn
widget:
- source_sentence: "লোকটি কুড়াল দিয়ে একটি গাছ কেটে ফেলল"
  sentences:
    - "একজন লোক কুড়াল দিয়ে একটি গাছের নিচে চপ করে" 
    - "একজন লোক গিটার বাজছে"
    - "একজন মহিলা ঘোড়ায় চড়ে"
  example_title: "示例 1"

- source_sentence: "একটি গোলাপী সাইকেল একটি বিল্ডিংয়ের সামনে রয়েছে"
  sentences:
    - "কিছু ধ্বংসাবশেষের সামনে একটি সাইকেল"
    - "গোলাপী দুটি ছোট মেয়ে নাচছে"
    - "ভেড়া গাছের লাইনের সামনে মাঠে চারণ করছে"
  example_title: "示例 2"

- source_sentence: "আলোর গতি সসীম হওয়ার গতি আমাদের মহাবিশ্বের অন্যতম মৌলিক"
  sentences:
    - "আলোর গতি কত?"
    - "আলোর গতি সসীম"
    - "আলো মহাবিশ্বের দ্রুততম জিনিস"
  example_title: "示例 3"

✨ 主要特性

• 基於BengaliSBERT模型，在STS數據集上進行了微調。
• 作為MahaNLP項目的一部分發布，具有一定的可靠性和可擴展性。
• 提供了多語言版本，支持主要印度語言和跨語言句子相似度計算。

📦 安裝指南

使用此模型，你需要安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（Sentence-Transformers）

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)

高級用法（HuggingFace Transformers）

若未安裝 sentence-transformers，你可以按以下方式使用該模型：首先，將輸入傳遞給transformer模型，然後對上下文詞嵌入應用正確的池化操作。

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)

📚 詳細文檔

有關數據集、模型和基線結果的更多詳細信息可在我們的[論文] (https://arxiv.org/abs/2304.11434) 中找到。

引用信息

@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}
}

@article{joshi2022l3cubemahasbert,
  title={L3Cube-MahaSBERT and HindSBERT: Sentence BERT Models and Benchmarking BERT Sentence Representations for Hindi and Marathi},
  author={Joshi, Ananya and Kajale, Aditi and Gadre, Janhavi and Deode, Samruddhi and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2211.11187},
  year={2022}
}

相關鏈接

• 單語印地語SBERT論文
• 多語印地語SBERT論文

其他單語相似度模型

• 馬拉地語相似度
• 印地語相似度
• 卡納達語相似度
• 泰盧固語相似度
• 馬拉雅拉姆語相似度
• 泰米爾語相似度
• 古吉拉特語相似度
• 奧里亞語相似度
• 孟加拉語相似度
• 旁遮普語相似度
• 印地語相似度（多語言）

其他單語印地語句子BERT模型

• 馬拉地語SBERT
• 印地語SBERT
• 卡納達語SBERT
• 泰盧固語SBERT
• 馬拉雅拉姆語SBERT
• 泰米爾語SBERT
• 古吉拉特語SBERT
• 奧里亞語SBERT
• 孟加拉語SBERT
• 旁遮普語SBERT
• 印地語SBERT（多語言）

📄 許可證

本項目採用CC BY 4.0許可證。