Legal BERTimbau Sts Base
基于BERTimbau的葡萄牙语法律领域语义相似度模型,针对法律文本优化
下载量 18
发布时间 : 7/30/2022
模型简介
这是一个基于BERTimbau的sentence-transformers模型,专门针对葡萄牙语法律领域进行了优化。它能将句子和段落映射到1024维的密集向量空间,可用于语义相似度计算、聚类或语义搜索等任务。
模型特点
法律领域优化
专门针对葡萄牙语法律文本进行了训练和优化
语义相似度计算
能够准确计算法律文本之间的语义相似度
高效向量表示
将文本转换为1024维稠密向量,便于后续处理
模型能力
语义相似度计算
文本向量化
法律文本分析
信息检索
使用案例
法律文本处理
法律文件相似性分析
比较不同法律文件或条款之间的语义相似度
可帮助律师快速找到相关判例或法律条款
法律信息检索
构建法律领域的语义搜索系统
提高法律文档检索的准确性和相关性
🚀 rufimelo/Legal-BERTimbau-sts-base
这是一个 sentence-transformers 模型,它可以将句子和段落映射到一个 1024 维的密集向量空间,可用于聚类或语义搜索等任务。rufimelo/Legal-BERTimbau-sts-base 基于 Legal-BERTimbau-large,而后者源自 BERTimbau 基础模型。该模型适用于葡萄牙语法律领域,并在葡萄牙语数据集上针对语义文本相似度(STS)进行了训练。
🚀 快速开始
安装依赖
若要使用此模型,需先安装 sentence-transformers:
pip install -U sentence-transformers
使用示例
基础用法
from sentence_transformers import SentenceTransformer
sentences = ["Isto é um exemplo", "Isto é um outro exemplo"]
model = SentenceTransformer('rufimelo/Legal-BERTimbau-sts-base')
embeddings = model.encode(sentences)
print(embeddings)
高级用法
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('rufimelo/Legal-BERTimbau-sts-base')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-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, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("Sentence embeddings:")
print(sentence_embeddings)
📚 详细文档
评估结果(STS)
模型 | Assin | Assin2 | stsb_multi_mt pt | 平均值 |
---|---|---|---|---|
Legal-BERTimbau-sts-base | 0.71457 | 0.73545 | 0.72383 | 0.72462 |
Legal-BERTimbau-sts-base-ma | 0.74874 | 0.79532 | 0.82254 | 0.78886 |
Legal-BERTimbau-sts-base-ma-v2 | 0.75481 | 0.80262 | 0.82178 | 0.79307 |
Legal-BERTimbau-base-TSDAE-sts | 0.78814 | 0.81380 | 0.75777 | 0.78657 |
Legal-BERTimbau-sts-large | 0.76629 | 0.82357 | 0.79120 | 0.79369 |
Legal-BERTimbau-sts-large-v2 | 0.76299 | 0.81121 | 0.81726 | 0.79715 |
Legal-BERTimbau-sts-large-ma | 0.76195 | 0.81622 | 0.82608 | 0.80142 |
Legal-BERTimbau-sts-large-ma-v2 | 0.7836 | 0.8462 | 0.8261 | 0.81863 |
Legal-BERTimbau-sts-large-ma-v3 | 0.7749 | 0.8470 | 0.8364 | 0.81943 |
Legal-BERTimbau-large-v2-sts | 0.71665 | 0.80106 | 0.73724 | 0.75165 |
Legal-BERTimbau-large-TSDAE-sts | 0.72376 | 0.79261 | 0.73635 | 0.75090 |
Legal-BERTimbau-large-TSDAE-sts-v2 | 0.81326 | 0.83130 | 0.786314 | 0.81029 |
Legal-BERTimbau-large-TSDAE-sts-v3 | 0.80703 | 0.82270 | 0.77638 | 0.80204 |
BERTimbau base Fine-tuned for STS | 0.78455 | 0.80626 | 0.82841 | 0.80640 |
BERTimbau large Fine-tuned for STS | 0.78193 | 0.81758 | 0.83784 | 0.81245 |
paraphrase-multilingual-mpnet-base-v2 | 0.71457 | 0.79831 | 0.83999 | 0.78429 |
paraphrase-multilingual-mpnet-base-v2 Fine-tuned with assin(s) | 0.77641 | 0.79831 | 0.84575 | 0.80682 |
训练信息
rufimelo/Legal-BERTimbau-sts-base 基于 Legal-BERTimbau-large,而后者源自 BERTimbau 基础模型。该模型针对语义文本相似度进行了训练,并使用 assin 和 assin2 数据集进行了微调。
完整模型架构
SentenceTransformer(
(0): Transformer({'max_seq_length': 128, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)
引用与作者
如果使用此模型,请引用以下文献:
@inproceedings{souza2020bertimbau,
author = {F{\'a}bio Souza and
Rodrigo Nogueira and
Roberto Lotufo},
title = {{BERT}imbau: pretrained {BERT} models for {B}razilian {P}ortuguese},
booktitle = {9th Brazilian Conference on Intelligent Systems, {BRACIS}, Rio Grande do Sul, Brazil, October 20-23 (to appear)},
year = {2020}
}
@inproceedings{fonseca2016assin,
title={ASSIN: Avaliacao de similaridade semantica e inferencia textual},
author={Fonseca, E and Santos, L and Criscuolo, Marcelo and Aluisio, S},
booktitle={Computational Processing of the Portuguese Language-12th International Conference, Tomar, Portugal},
pages={13--15},
year={2016}
}
@inproceedings{real2020assin,
title={The assin 2 shared task: a quick overview},
author={Real, Livy and Fonseca, Erick and Oliveira, Hugo Goncalo},
booktitle={International Conference on Computational Processing of the Portuguese Language},
pages={406--412},
year={2020},
organization={Springer}
}
@InProceedings{huggingface:dataset:stsb_multi_mt,
title = {Machine translated multilingual STS benchmark dataset.},
author={Philip May},
year={2021},
url={https://github.com/PhilipMay/stsb-multi-mt}
}
模型信息表格
属性 | 详情 |
---|---|
模型类型 | 适用于葡萄牙语法律领域的句子相似度模型,基于 BERTimbau 基础模型 |
训练数据 | assin、assin2、rufimelo/PortugueseLegalSentences-v0 |
Jina Embeddings V3
Jina Embeddings V3 是一个多语言句子嵌入模型,支持超过100种语言,专注于句子相似度和特征提取任务。
文本嵌入
Transformers 支持多种语言

J
jinaai
3.7M
911
Ms Marco MiniLM L6 V2
Apache-2.0
基于MS Marco段落排序任务训练的交叉编码器模型,用于信息检索中的查询-段落相关性评分
文本嵌入 英语
M
cross-encoder
2.5M
86
Opensearch Neural Sparse Encoding Doc V2 Distill
Apache-2.0
基于蒸馏技术的稀疏检索模型,专为OpenSearch优化,支持免推理文档编码,在搜索相关性和效率上优于V1版本
文本嵌入
Transformers 英语

O
opensearch-project
1.8M
7
Sapbert From PubMedBERT Fulltext
Apache-2.0
基于PubMedBERT的生物医学实体表征模型,通过自对齐预训练优化语义关系捕捉
文本嵌入 英语
S
cambridgeltl
1.7M
49
Gte Large
MIT
GTE-Large 是一个强大的句子转换器模型,专注于句子相似度和文本嵌入任务,在多个基准测试中表现出色。
文本嵌入 英语
G
thenlper
1.5M
278
Gte Base En V1.5
Apache-2.0
GTE-base-en-v1.5 是一个英文句子转换器模型,专注于句子相似度任务,在多个文本嵌入基准测试中表现优异。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.5M
63
Gte Multilingual Base
Apache-2.0
GTE Multilingual Base 是一个多语言的句子嵌入模型,支持超过50种语言,适用于句子相似度计算等任务。
文本嵌入
Transformers 支持多种语言

G
Alibaba-NLP
1.2M
246
Polybert
polyBERT是一个化学语言模型,旨在实现完全由机器驱动的超快聚合物信息学。它将PSMILES字符串映射为600维密集指纹,以数值形式表示聚合物化学结构。
文本嵌入
Transformers

P
kuelumbus
1.0M
5
Bert Base Turkish Cased Mean Nli Stsb Tr
Apache-2.0
基于土耳其语BERT的句子嵌入模型,专为语义相似度任务优化
文本嵌入
Transformers 其他

B
emrecan
1.0M
40
GIST Small Embedding V0
MIT
基于BAAI/bge-small-en-v1.5模型微调的文本嵌入模型,通过MEDI数据集与MTEB分类任务数据集训练,优化了检索任务的查询编码能力。
文本嵌入
Safetensors 英语
G
avsolatorio
945.68k
29
精选推荐AI模型
Llama 3 Typhoon V1.5x 8b Instruct
专为泰语设计的80亿参数指令模型,性能媲美GPT-3.5-turbo,优化了应用场景、检索增强生成、受限生成和推理任务
大型语言模型
Transformers 支持多种语言

L
scb10x
3,269
16
Cadet Tiny
Openrail
Cadet-Tiny是一个基于SODA数据集训练的超小型对话模型,专为边缘设备推理设计,体积仅为Cosmo-3B模型的2%左右。
对话系统
Transformers 英语

C
ToddGoldfarb
2,691
6
Roberta Base Chinese Extractive Qa
基于RoBERTa架构的中文抽取式问答模型,适用于从给定文本中提取答案的任务。
问答系统 中文
R
uer
2,694
98