Bengali Sentence Similarity Sbert

🚀 BengaliSBERT-STS

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

有关数据集、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

使用示例

pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- feature-extraction
- sentence-similarity
- transformers
license: cc-by-4.0
language: bn
widget:
- source_sentence: "লোকটি কুড়াল দিয়ে একটি গাছ কেটে ফেলল"
  sentences:
    - "একজন লোক কুড়াল দিয়ে একটি গাছের নিচে চপ করে" 
    - "একজন লোক গিটার বাজছে"
    - "একজন মহিলা ঘোড়ায় চড়ে"
  example_title: "示例 1"

- source_sentence: "একটি গোলাপী সাইকেল একটি বিল্ডিংয়ের সামনে রয়েছে"
  sentences:
    - "কিছু ধ্বংসাবশেষের সামনে একটি সাইকেল"
    - "গোলাপী দুটি ছোট মেয়ে নাচছে"
    - "ভেড়া গাছের লাইনের সামনে মাঠে চারণ করছে"
  example_title: "示例 2"

- source_sentence: "আলোর গতি সসীম হওয়ার গতি আমাদের মহাবিশ্বের অন্যতম মৌলিক"
  sentences:
    - "আলোর গতি কত?"
    - "আলোর গতি সসীম"
    - "আলো মহাবিশ্বের দ্রুততম জিনিস"
  example_title: "示例 3"

✨ 主要特性

• 基于BengaliSBERT模型，在STS数据集上进行了微调。
• 作为MahaNLP项目的一部分发布，具有一定的可靠性和可扩展性。
• 提供了多语言版本，支持主要印度语言和跨语言句子相似度计算。

📦 安装指南

使用此模型，你需要安装 sentence-transformers：

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）

若未安装 sentence-transformers，你可以按以下方式使用该模型：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)

📚 详细文档

有关数据集、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。

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}
}

相关链接

• 单语印地语SBERT论文
• 多语印地语SBERT论文

其他单语相似度模型

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

其他单语印地语句子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
• 印地语SBERT（多语言）

📄 许可证

本项目采用CC BY 4.0许可证。