Legal BERTimbau Sts Base Ma
這是一個基於BERTimbau的葡萄牙語法律領域句子嵌入模型,專門用於句子相似度計算任務。
下載量 16
發布時間 : 8/20/2022
模型概述
該模型能將葡萄牙語法律文本映射到768維向量空間,適用於法律文檔聚類、語義搜索等任務。
模型特點
法律領域適配
專門針對葡萄牙語法律文本進行了優化和適配
句子嵌入
能將句子和段落轉換為768維的密集向量表示
高精度相似度計算
在多個葡萄牙語STS數據集上表現出色
模型能力
句子相似度計算
法律文本語義分析
文檔聚類
語義搜索
使用案例
法律文檔處理
法律文書相似度分析
比較不同法律文書之間的語義相似度
準確識別相似法律概念和條款
法律檢索系統
構建基於語義的法律文檔檢索系統
提高法律檢索的相關性和準確性
法律智能助手
法律問答系統
支持基於語義匹配的法律問答功能
提升問答系統的理解能力
🚀 rufimelo/Legal-BERTimbau-sts-base-ma
這是一個sentence-transformers模型,它可以將句子和段落映射到一個768維的密集向量空間,可用於聚類或語義搜索等任務。rufimelo/rufimelo/Legal-BERTimbau-sts-base-ma基於Legal-BERTimbau-base,而Legal-BERTimbau-base則源自BERTimbau large。該模型適用於葡萄牙語法律領域,並在葡萄牙語數據集上針對語義文本相似度(STS)進行了訓練。
🚀 快速開始
✨ 主要特性
- 基於sentence-transformers框架,能將句子和段落映射到768維的密集向量空間。
- 適用於葡萄牙語法律領域,在葡萄牙語數據集上進行了STS訓練。
- 可用於聚類、語義搜索等任務。
📦 安裝指南
若要使用此模型,需先安裝sentence-transformers:
pip install -U sentence-transformers
💻 使用示例
基礎用法
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)
高級用法(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)
📚 詳細文檔
評估結果(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 |
訓練信息
rufimelo/Legal-BERTimbau-sts-base-ma基於Legal-BERTimbau-base,而Legal-BERTimbau-base源自BERTimbau base。
首先,由於葡萄牙語數據集的缺乏,該模型採用多語言知識蒸餾進行訓練。在多語言知識蒸餾過程中,教師模型為'sentence-transformers/paraphrase-xlm-r-multilingual-v1',假設支持的語言為英語,要學習的語言為葡萄牙語。
該模型針對語義文本相似度進行訓練,並在assin、assin2和stsb_multi_mt pt等數據集上進行了微調。
完整模型架構
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})
)
🔧 技術細節
該模型基於Sentence-Transformers框架,使用BertModel作為基礎模型,並通過池化層將詞嵌入轉換為句子嵌入。在訓練過程中,採用了多語言知識蒸餾和微調等技術,以適應葡萄牙語法律領域的語義文本相似度任務。
📄 許可證
文檔未提及相關許可證信息。
引用與作者
如果使用此模型,請引用以下文獻:
@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 是一個多語言句子嵌入模型,支持超過100種語言,專注於句子相似度和特徵提取任務。
文本嵌入
Transformers 支持多種語言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基於MS Marco段落排序任務訓練的交叉編碼器模型,用於信息檢索中的查詢-段落相關性評分
文本嵌入 英語
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基於蒸餾技術的稀疏檢索模型,專為OpenSearch優化,支持免推理文檔編碼,在搜索相關性和效率上優於V1版本
文本嵌入
Transformers 英語

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基於PubMedBERT的生物醫學實體表徵模型,通過自對齊預訓練優化語義關係捕捉
文本嵌入 英語
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一個強大的句子轉換器模型,專注於句子相似度和文本嵌入任務,在多個基準測試中表現出色。
文本嵌入 英語
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一個英文句子轉換器模型,專注於句子相似度任務,在多個文本嵌入基準測試中表現優異。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一個多語言的句子嵌入模型,支持超過50種語言,適用於句子相似度計算等任務。
文本嵌入
Transformers 支持多種語言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一個化學語言模型,旨在實現完全由機器驅動的超快聚合物信息學。它將PSMILES字符串映射為600維密集指紋,以數值形式表示聚合物化學結構。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基於土耳其語BERT的句子嵌入模型,專為語義相似度任務優化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基於BAAI/bge-small-en-v1.5模型微調的文本嵌入模型,通過MEDI數據集與MTEB分類任務數據集訓練,優化了檢索任務的查詢編碼能力。
文本嵌入
Safetensors 英語
G
avsolatorio
945.68k
29
精選推薦AI模型
Llama 3 Typhoon V1.5x 8b Instruct
專為泰語設計的80億參數指令模型,性能媲美GPT-3.5-turbo,優化了應用場景、檢索增強生成、受限生成和推理任務
大型語言模型
Transformers 支持多種語言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一個基於SODA數據集訓練的超小型對話模型,專為邊緣設備推理設計,體積僅為Cosmo-3B模型的2%左右。
對話系統
Transformers 英語

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基於RoBERTa架構的中文抽取式問答模型,適用於從給定文本中提取答案的任務。
問答系統 中文
R
uer
2,694
98