Indic Sentence Similarity Sbert

🚀 IndicSBERT-STS

IndicSBERT-STS 是一個在十種主要印度語言的 STS 數據集上訓練的模型（l3cube-pune/indic-sentence-bert-nli）。該單一模型可用於英語、印地語、馬拉地語、卡納達語、泰米爾語、泰盧固語、古吉拉特語、奧里亞語、旁遮普語、馬拉雅拉姆語和孟加拉語，並且具備跨語言能力。此模型是 MahaNLP 項目的一部分，項目鏈接：https://github.com/l3cube-pune/MarathiNLP 。

模型信息

示例展示

以下是一些使用示例：

• 單語 - 馬拉地語：
  • 源句子："दिवाळी आपण मोठ्या उत्साहाने साजरी करतो"
  • 對比句子：
    • "दिवाळी आपण आनंदाने साजरी करतो"
    • "दिवाळी हा दिव्यांचा सण आहे"
• 單語 - 印地語：
  • 源句子："हम दीपावली उत्साह के साथ मनाते हैं"
  • 對比句子：
    • "हम दीपावली खुशियों से मनाते हैं"
    • "दिवाली रोशनी का त्योहार है"
• 單語 - 古吉拉特語：
  • 源句子："અમે ઉત્સાહથી દિવાળી ઉજવીએ છીએ"
  • 對比句子：
    • "દિવાળી આપણે ખુશીઓથી ઉજવીએ છીએ"
    • "દિવાળી એ રોશનીનો તહેવાર છે"
• 跨語言 1：
  • 源句子："आम्हाला भारतीय असल्याचा अभिमान आहे"
  • 對比句子：
    • "हमें भारतीय होने पर गर्व है"
    • "భారతీయులమైనందుకు గర్విస్తున్నాం"
    • "અમને ભારતીય હોવાનો ગર્વ છે"
• 跨語言 2：
  • 源句子："ਬਾਰਿਸ਼ ਤੋਂ ਬਾਅਦ ਬਗੀਚਾ ਸੁੰਦਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ"
  • 對比句子：
    • "മഴയ്ക്ക് ശേഷം പൂന്തോട്ടം മനോഹരമായി കാണപ്പെടുന്നു"
    • "ବର୍ଷା ପରେ ବଗିଚା ସୁନ୍ଦର ଦେଖାଯାଏ |"
    • "बारिश के बाद बगीचा सुंदर दिखता है"

相關論文

• 單語印度 SBERT 論文
• 多語言印度 SBERT 論文

其他相關模型

單語句子相似度模型

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

單語印度句子 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
• 印度語 SBERT（多語言）

🚀 快速開始

📦 安裝指南

若要使用此模型，需安裝 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基礎用法（使用 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（不使用 sentence-transformers，使用 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('{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)

📄 許可證

本模型採用 CC BY 4.0 許可證。

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}
}