Indic Sentence Similarity Sbert

🚀 IndicSBERT-STS

IndicSBERT-STS 是一个在十种主要印度语言的 STS 数据集上训练的模型（l3cube-pune/indic-sentence-bert-nli）。该单一模型可用于英语、印地语、马拉地语、卡纳达语、泰米尔语、泰卢固语、古吉拉特语、奥里亚语、旁遮普语、马拉雅拉姆语和孟加拉语，并且具备跨语言能力。此模型是 MahaNLP 项目的一部分，项目链接：https://github.com/l3cube-pune/MarathiNLP 。

模型信息

示例展示

以下是一些使用示例：

• 单语 - 马拉地语：
  • 源句子："दिवाळी आपण मोठ्या उत्साहाने साजरी करतो"
  • 对比句子：
    • "दिवाळी आपण आनंदाने साजरी करतो"
    • "दिवाळी हा दिव्यांचा सण आहे"
• 单语 - 印地语：
  • 源句子："हम दीपावली उत्साह के साथ मनाते हैं"
  • 对比句子：
    • "हम दीपावली खुशियों से मनाते हैं"
    • "दिवाली रोशनी का त्योहार है"
• 单语 - 古吉拉特语：
  • 源句子："અમે ઉત્સાહથી દિવાળી ઉજવીએ છીએ"
  • 对比句子：
    • "દિવાળી આપણે ખુશીઓથી ઉજવીએ છીએ"
    • "દિવાળી એ રોશનીનો તહેવાર છે"
• 跨语言 1：
  • 源句子："आम्हाला भारतीय असल्याचा अभिमान आहे"
  • 对比句子：
    • "हमें भारतीय होने पर गर्व है"
    • "భారతీయులమైనందుకు గర్విస్తున్నాం"
    • "અમને ભારતીય હોવાનો ગર્વ છે"
• 跨语言 2：
  • 源句子："ਬਾਰਿਸ਼ ਤੋਂ ਬਾਅਦ ਬਗੀਚਾ ਸੁੰਦਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ"
  • 对比句子：
    • "മഴയ്ക്ക് ശേഷം പൂന്തോട്ടം മനോഹരമായി കാണപ്പെടുന്നു"
    • "ବର୍ଷା ପରେ ବଗିଚା ସୁନ୍ଦର ଦେଖାଯାଏ |"
    • "बारिश के बाद बगीचा सुंदर दिखता है"

相关论文

• 单语印度 SBERT 论文
• 多语言印度 SBERT 论文

其他相关模型

单语句子相似度模型

• 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）

🚀 快速开始

📦 安装指南

若要使用此模型，需安装 sentence-transformers：

pip install -U sentence-transformers

💻 使用示例

基础用法（使用 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（不使用 sentence-transformers，使用 HuggingFace Transformers）

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。

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}
}