Legal BERTimbau Sts Large

🚀 rufimelo/Legal-BERTimbau-sts-large

這是一個用於葡萄牙法律領域的句子相似度模型，它能將句子和段落映射到1024維的密集向量空間，可用於聚類或語義搜索等任務。

🚀 快速開始

本模型基於 sentence-transformers，它將句子和段落映射到1024維的密集向量空間，可用於聚類或語義搜索等任務。rufimelo/Legal-BERTimbau-sts-large 基於 Legal-BERTimbau-large，而後者源自 BERTimbau large。該模型針對葡萄牙法律領域進行了調整，並在葡萄牙語數據集上進行了語義文本相似度（STS）訓練。

✨ 主要特性

• 專為葡萄牙法律領域設計，能有效處理法律相關文本。
• 基於 BERTimbau 大模型，具有強大的語義理解能力。
• 可將句子和段落映射到1024維的密集向量空間，適用於聚類、語義搜索等任務。

📦 安裝指南

如果你已經安裝了 sentence-transformers，使用這個模型會很方便。可以使用以下命令進行安裝：

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-large')
embeddings = model.encode(sentences)
print(embeddings)

高級用法

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - 考慮注意力掩碼以進行正確的平均計算
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型輸出的第一個元素包含所有標記嵌入
    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)

# 我們想要獲取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 從HuggingFace Hub加載模型
tokenizer = AutoTokenizer.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')

# 對句子進行分詞
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 計算標記嵌入
with torch.no_grad():
    model_output = model(**encoded_input)
# 執行池化操作。在這種情況下，是平均池化
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）

訓練信息

rufimelo/Legal-BERTimbau-sts-large 基於 Legal-BERTimbau-large，而後者源自 BERTimbau large。該模型針對語義文本相似度進行了訓練，並在 assin 和 assin2 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

本模型基於 BERTimbau 大模型進行微調，針對葡萄牙法律領域的語義文本相似度任務進行了優化。在訓練過程中，使用了多個葡萄牙語數據集，包括 assin、assin2 和 rufimelo/PortugueseLegalSentences-v0，以提高模型在法律文本上的性能。

📄 許可證

文檔中未提及許可證相關信息。

📖 引用信息

如果你使用了此模型，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}
}