Tsdae Lemone Mbert Base

🚀 适用于法国法律实践的领域自适应mBERT模型

本模型是专为法国法律实践场景打造的领域自适应mBERT模型，借助 sentence-transformers 框架，能将句子和段落映射到768维的密集向量空间，可用于聚类、语义搜索等自然语言处理任务。模型基于多语言预训练，适配法国法律领域，能有效学习法律语言的内在特征，为下游任务提供有力支持。

🚀 快速开始

本模型可通过 sentence-transformers 或 HuggingFace Transformers 两种方式使用，以下为你详细介绍使用方法。

📦 安装指南

若使用 sentence-transformers，可通过以下命令安装：

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("louisbrulenaudet/tsdae-lemone-mbert-base")
embeddings = model.encode(sentences)
print(embeddings)

高级用法（HuggingFace Transformers）

若未安装 sentence-transformers，可按以下方式使用：

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# 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("louisbrulenaudet/tsdae-lemone-mbert-base")
model = AutoModel.from_pretrained("louisbrulenaudet/tsdae-lemone-mbert-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, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input["attention_mask"])

print("Sentence embeddings:")
print(sentence_embeddings)

🔧 技术细节

训练参数

本模型的训练参数如下：

• DataLoader：使用 torch.utils.data.dataloader.DataLoader，长度为25000，参数如下：

{'batch_size': 4, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

• Loss：使用 sentence_transformers.losses.DenoisingAutoEncoderLoss.DenoisingAutoEncoderLoss。
• fit() 方法参数：

{
    "epochs": 1,
    "evaluation_steps": 0,
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 3e-05
    },
    "scheduler": "constantlr",
    "steps_per_epoch": null,
    "warmup_steps": 10000,
    "weight_decay": 0
}

训练数据

训练数据库包含来自以下法国法律法典的100,000个随机句子，每个句子长度超过40个字符：

• 法国知识产权法典（Code de la propriété intellectuelle）
• 法国民法典（Code civil）
• 法国劳动法法典（Code du travail）
• 法国货币和金融法典（Code monétaire et financier）
• 法国商法典（Code de commerce）
• 法国刑法典（Code pénal）
• 法国消费者法典（Code de la consommation）
• 法国环境法典（Code de l'environnement）
• 法国通用税收法典（Code général des Impôts）
• 法国民事诉讼法典（Code de procédure civile）

每个法典的句子数量不超过15,000。

DenoisingAutoEncoderDataset 用于提供噪声数据和干净数据的配对实例，使去噪自编码器模型能够学习从噪声数据中重建或生成干净数据，有效捕捉法律文本的语言细微差别和领域特定特征。

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

📄 许可证

本项目采用 Apache 2.0 许可证。

📚 详细文档

引用与作者

若你在研究中使用了本代码，请使用以下 BibTeX 引用：

@misc{louisbrulenaudet2023,
  author =       {Louis Brulé Naudet},
  title =        {Domain-adapted mBERT for French Legal Practice},
  year =         {2023},
  howpublished = {\url{https://huggingface.co/louisbrulenaudet/tsdae-lemone-mbert-base}},
}

反馈

若你有任何反馈，请通过 louisbrulenaudet@icloud.com 联系我们。

信息表格