Tamil Sentence Bert Nli

🚀 泰米尔语SBERT

泰米尔语SBERT是在自然语言推理（NLI）数据集上训练的泰米尔语BERT模型（l3cube - pune/tamil - bert）。它是MahaNLP项目的一部分，项目链接：https://github.com/l3cube - pune/MarathiNLP 。此外，还有一个支持主要印度语言和跨语言能力的多语言版本模型，链接为 indic - sentence - bert - nli 。同时，还有一个更好的句子相似度模型（此模型的微调版本），链接为：https://huggingface.co/l3cube - pune/tamil - sentence - similarity - sbert 。

更多关于数据集、模型和基线结果的详细信息可以在我们的 [论文] (https://arxiv.org/abs/2304.11434) 中找到。

🚀 快速开始

✨ 主要特性

• 基于泰米尔语BERT模型在NLI数据集上训练，可用于句子相似度任务。
• 有对应的多语言版本和微调后的更好的句子相似度模型。

📦 安装指南

若要使用此模型，需要安装 sentence - transformers 库：

pip install -U sentence-transformers

💻 使用示例

基础用法（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)

高级用法（HuggingFace Transformers）

如果没有安装 sentence - transformers ，可以按以下方式使用模型：首先将输入传递给transformer模型，然后对上下文词嵌入应用正确的池化操作。

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)

📚 详细文档

相关论文引用

@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}
}

@article{joshi2022l3cubemahasbert,
  title={L3Cube-MahaSBERT and HindSBERT: Sentence BERT Models and Benchmarking BERT Sentence Representations for Hindi and Marathi},
  author={Joshi, Ananya and Kajale, Aditi and Gadre, Janhavi and Deode, Samruddhi and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2211.11187},
  year={2022}
}

相关论文链接

• 单语言印度SBERT论文
• 多语言印度SBERT论文

其他单语言印度句子BERT模型

• 马拉地语SBERT
• 印地语SBERT
• 卡纳达语SBERT
• 泰卢固语SBERT
• 马拉雅拉姆语SBERT
• 泰米尔语SBERT
• 古吉拉特语SBERT
• 奥里亚语SBERT
• 孟加拉语SBERT
• 旁遮普语SBERT
• 印度语SBERT（多语言）

其他单语言相似度模型

• 马拉地语相似度模型
• 印地语相似度模型
• 卡纳达语相似度模型
• 泰卢固语相似度模型
• 马拉雅拉姆语相似度模型
• 泰米尔语相似度模型
• 古吉拉特语相似度模型
• 奥里亚语相似度模型
• 孟加拉语相似度模型
• 旁遮普语相似度模型
• 印度语相似度模型（多语言）

📄 许可证

本模型采用CC - BY - 4.0许可证。

小部件示例

以下是一些使用小部件的示例：

示例1

• 源句子："மக்கள் குழு பாடுகிறது"
• 对比句子：
  • "சிலர் பாடுகிறார்கள்"
  • "ஒரு இளைஞன் பியானோ பாடுகிறான்"
  • "மனிதன் ஒரு கடிதம் எழுதுகிறான்"

示例2

• 源句子："நாய் பொம்மையை குரைக்கிறது"
• 对比句子：
  • "ஒரு நாய் ஒரு பொம்மையில் குரைக்கிறது"
  • "ஒரு பூனை பால் குடிக்கிறது"
  • "ஒரு நாய் ஒரு பந்தைத் துரத்துகிறது"

示例3

• 源句子："நான் முதல் முறையாக விமானத்தில் அமர்ந்தேன்"
• 对比句子：
  • "அது எனது முதல் விமானப் பயணம் "
  • "முதல் முறையாக ரயிலில் அமர்ந்தேன்"
  • "புதிய இடங்களுக்கு பயணம் செய்வது எனக்கு மிகவும் பிடிக்கும்"