Tsdae Lemone Mbert Base

🚀 適用於法國法律實踐的領域自適應mBERT模型

本模型是專為法國法律實踐場景打造的領域自適應mBERT模型，藉助 sentence-transformers 框架，能將句子和段落映射到768維的密集向量空間，可用於聚類、語義搜索等自然語言處理任務。模型基於多語言預訓練，適配法國法律領域，能有效學習法律語言的內在特徵，為下游任務提供有力支持。

🚀 快速開始

本模型可通過 sentence-transformers 或 HuggingFace Transformers 兩種方式使用，以下為你詳細介紹使用方法。

📦 安裝指南

若使用 sentence-transformers，可通過以下命令安裝：

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("louisbrulenaudet/tsdae-lemone-mbert-base")
embeddings = model.encode(sentences)
print(embeddings)

高級用法（HuggingFace Transformers）

若未安裝 sentence-transformers，可按以下方式使用：

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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("louisbrulenaudet/tsdae-lemone-mbert-base")
model = AutoModel.from_pretrained("louisbrulenaudet/tsdae-lemone-mbert-base")

# 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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input["attention_mask"])

print("Sentence embeddings:")
print(sentence_embeddings)

🔧 技術細節

訓練參數

本模型的訓練參數如下：

• DataLoader：使用 torch.utils.data.dataloader.DataLoader，長度為25000，參數如下：

{'batch_size': 4, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

• Loss：使用 sentence_transformers.losses.DenoisingAutoEncoderLoss.DenoisingAutoEncoderLoss。
• fit() 方法參數：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 3e-05
    },
    "scheduler": "constantlr",
    "steps_per_epoch": null,
    "warmup_steps": 10000,
    "weight_decay": 0
}

訓練數據

訓練數據庫包含來自以下法國法律法典的100,000個隨機句子，每個句子長度超過40個字符：

• 法國知識產權法典（Code de la propriété intellectuelle）
• 法國民法典（Code civil）
• 法國勞動法法典（Code du travail）
• 法國貨幣和金融法典（Code monétaire et financier）
• 法國商法典（Code de commerce）
• 法國刑法典（Code pénal）
• 法國消費者法典（Code de la consommation）
• 法國環境法典（Code de l'environnement）
• 法國通用稅收法典（Code général des Impôts）
• 法國民事訴訟法典（Code de procédure civile）

每個法典的句子數量不超過15,000。

DenoisingAutoEncoderDataset 用於提供噪聲數據和乾淨數據的配對實例，使去噪自編碼器模型能夠學習從噪聲數據中重建或生成乾淨數據，有效捕捉法律文本的語言細微差別和領域特定特徵。

完整模型架構

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 許可證

本項目採用 Apache 2.0 許可證。

📚 詳細文檔

引用與作者

若你在研究中使用了本代碼，請使用以下 BibTeX 引用：

@misc{louisbrulenaudet2023,
  author =       {Louis Brulé Naudet},
  title =        {Domain-adapted mBERT for French Legal Practice},
  year =         {2023},
  howpublished = {\url{https://huggingface.co/louisbrulenaudet/tsdae-lemone-mbert-base}},
}

反饋

若你有任何反饋，請通過 louisbrulenaudet@icloud.com 聯繫我們。

信息表格