E5 Large Korean
基於multilingual-e5-large微調的韓語句子嵌入模型,支持1024維向量空間映射,適用於語義相似度計算等任務
下載量 2,222
發布時間 : 8/9/2024
模型概述
該模型是基於multilingual-e5-large對korsts和kornli數據集進行微調的韓語句子嵌入模型,可將文本映射到1024維密集向量空間,支持語義文本相似度、語義搜索、文本分類等多種任務
模型特點
多語言支持
基於multilingual-e5-large微調,保留了對多種語言的支持能力
高維向量空間
將句子和段落映射到1024維密集向量空間,捕捉豐富的語義信息
韓語優化
專門針對韓語進行了微調優化,在韓語語義相似度任務上表現優異
模型能力
語義文本相似度計算
語義搜索
釋義挖掘
文本分類
文本聚類
使用案例
信息檢索
相似文檔檢索
根據查詢語句查找語義相似的文檔
文本分析
文本聚類
將語義相似的文本自動分組
🚀 upskyy/e5-large-korean
upskyy/e5-large-korean
是基於 intfloat/multilingual-e5-large
微調的模型,適用於韓語語義文本相似度計算、語義搜索、釋義挖掘、文本分類和聚類等任務。它能將句子和段落映射到 1024 維的密集向量空間。
🚀 快速開始
安裝 Sentence Transformers 庫
pip install -U sentence-transformers
加載模型並進行推理
from sentence_transformers import SentenceTransformer
# 從 🤗 Hub 下載模型
model = SentenceTransformer("upskyy/e5-large-korean")
# 進行推理
sentences = [
'아이를 가진 엄마가 해변을 걷는다.',
'두 사람이 해변을 걷는다.',
'한 남자가 해변에서 개를 산책시킨다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# 獲取嵌入向量的相似度得分
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
不使用 sentence-transformers 庫的使用方法
from transformers import AutoTokenizer, AutoModel
import torch
# 均值池化 - 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)
# 需要獲取句子嵌入的句子
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]
# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained("upskyy/e5-large-korean")
model = AutoModel.from_pretrained("upskyy/e5-large-korean")
# 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,這裡使用均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input["attention_mask"])
print("Sentence embeddings:")
print(sentence_embeddings)
✨ 主要特性
- 多語言支持:支持多種語言,包括韓語。
- 語義相似度計算:能夠計算句子和段落之間的語義相似度。
- 特徵提取:可將文本轉換為 1024 維的密集向量。
📦 安裝指南
安裝 Sentence Transformers 庫
pip install -U sentence-transformers
💻 使用示例
基礎用法
from sentence_transformers import SentenceTransformer
# 從 🤗 Hub 下載模型
model = SentenceTransformer("upskyy/e5-large-korean")
# 進行推理
sentences = [
'아이를 가진 엄마가 해변을 걷는다.',
'두 사람이 해변을 걷는다.',
'한 남자가 해변에서 개를 산책시킨다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# 獲取嵌入向量的相似度得分
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
高級用法
from transformers import AutoTokenizer, AutoModel
import torch
# 均值池化 - 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)
# 需要獲取句子嵌入的句子
sentences = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]
# 從 HuggingFace Hub 加載模型
tokenizer = AutoTokenizer.from_pretrained("upskyy/e5-large-korean")
model = AutoModel.from_pretrained("upskyy/e5-large-korean")
# 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,這裡使用均值池化
sentence_embeddings = mean_pooling(model_output, encoded_input["attention_mask"])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 詳細文檔
模型詳情
屬性 | 詳情 |
---|---|
模型類型 | Sentence Transformer |
基礎模型 | intfloat/multilingual-e5-large |
最大序列長度 | 512 個標記 |
輸出維度 | 1024 個標記 |
相似度函數 | 餘弦相似度 |
完整模型架構
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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, 'include_prompt': True})
)
評估指標
語義相似度
- 數據集:
sts-dev
- 評估工具:
EmbeddingSimilarityEvaluator
指標 | 值 |
---|---|
pearson_cosine | 0.871 |
spearman_cosine | 0.8699 |
pearson_manhattan | 0.8599 |
spearman_manhattan | 0.8683 |
pearson_euclidean | 0.8596 |
spearman_euclidean | 0.868 |
pearson_dot | 0.8685 |
spearman_dot | 0.8668 |
pearson_max | 0.871 |
spearman_max | 0.8699 |
框架版本
- Python: 3.10.13
- Sentence Transformers: 3.0.1
- Transformers: 4.42.4
- PyTorch: 2.3.0+cu121
- Accelerate: 0.30.1
- Datasets: 2.16.1
- Tokenizers: 0.19.1
🔧 技術細節
該模型基於 intfloat/multilingual-e5-large
進行微調,使用了 SentenceTransformer
庫。模型架構包括一個 Transformer
層和一個 Pooling
層,通過池化操作將上下文詞嵌入轉換為固定長度的句子嵌入。
📄 許可證
本項目採用 MIT 許可證。
📚 引用
BibTeX
@article{wang2024multilingual,
title={Multilingual E5 Text Embeddings: A Technical Report},
author={Wang, Liang and Yang, Nan and Huang, Xiaolong and Yang, Linjun and Majumder, Rangan and Wei, Furu},
journal={arXiv preprint arXiv:2402.05672},
year={2024}
}
@inproceedings{reimers-2019-sentence-bert,
title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
author = "Reimers, Nils and Gurevych, Iryna",
booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
month = "11",
year = "2019",
publisher = "Association for Computational Linguistics",
url = "https://arxiv.org/abs/1908.10084",
}
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