Tamil Sentence Similarity Sbert

🚀 TamilSBERT-STS

这是一个在STS数据集上微调的TamilSBERT模型（l3cube-pune/tamil-sentence-bert-nli）。
作为MahaNLP项目的一部分发布：https://github.com/l3cube-pune/MarathiNLP
支持主要印度语言和跨语言句子相似度的该模型的多语言版本可在此处获取 indic-sentence-similarity-sbert

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

🚀 快速开始

模型信息

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}
}

@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}
}

其他相关模型

• 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）
• 单语言印度语句子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）

📦 安装指南

如果你安装了 sentence-transformers，使用该模型会很容易：

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）

在没有安装 sentence-transformers 的情况下，你可以这样使用该模型：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)

📄 许可证

本模型采用CC BY 4.0许可证。