Legal BERTimbau Sts Large

🚀 rufimelo/Legal-BERTimbau-sts-large

这是一个用于葡萄牙法律领域的句子相似度模型，它能将句子和段落映射到1024维的密集向量空间，可用于聚类或语义搜索等任务。

🚀 快速开始

本模型基于 sentence-transformers，它将句子和段落映射到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-large 基于 Legal-BERTimbau-large，而后者源自 BERTimbau large。该模型针对葡萄牙法律领域进行了调整，并在葡萄牙语数据集上进行了语义文本相似度（STS）训练。

✨ 主要特性

• 专为葡萄牙法律领域设计，能有效处理法律相关文本。
• 基于 BERTimbau 大模型，具有强大的语义理解能力。
• 可将句子和段落映射到1024维的密集向量空间，适用于聚类、语义搜索等任务。

📦 安装指南

如果你已经安装了 sentence-transformers，使用这个模型会很方便。可以使用以下命令进行安装：

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-large')
embeddings = model.encode(sentences)
print(embeddings)

高级用法

from transformers import AutoTokenizer, AutoModel
import torch

# Mean Pooling - 考虑注意力掩码以进行正确的平均计算
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0]  # 模型输出的第一个元素包含所有标记嵌入
    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)

# 我们想要获取句子嵌入的句子
sentences = ['This is an example sentence', 'Each sentence is converted']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-large')

# 对句子进行分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算标记嵌入
with torch.no_grad():
    model_output = model(**encoded_input)
# 执行池化操作。在这种情况下，是平均池化
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）

训练信息

rufimelo/Legal-BERTimbau-sts-large 基于 Legal-BERTimbau-large，而后者源自 BERTimbau large。该模型针对语义文本相似度进行了训练，并在 assin 和 assin2 数据集上进行了微调。

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})
)

🔧 技术细节

本模型基于 BERTimbau 大模型进行微调，针对葡萄牙法律领域的语义文本相似度任务进行了优化。在训练过程中，使用了多个葡萄牙语数据集，包括 assin、assin2 和 rufimelo/PortugueseLegalSentences-v0，以提高模型在法律文本上的性能。

📄 许可证

文档中未提及许可证相关信息。

📖 引用信息

如果你使用了此模型，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}
}