/ Модель

Характеристики

Контекст
514 токенов
Параметры
138 млн
Лицензия
Apache 2.0
Архитектура
camembert · dense
Библиотека
sentence-transformers
Опубликована
25 окт 2023

sentence-camembert-base

ЭмбеддингиТекст → embedding9 профессий

Дообученная модель CamemBERT создаёт эмбеддинги французских предложений для поиска и оценки их семантического сходства.

502скачиваний за 30 дней6лайковвеса обновлены6 ноя 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Эмбеддинги» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Lajavaness/sentence-camembert-base — модель для получения векторных представлений французских предложений, разработанная Lajavaness на основе dangvantuan/sentence-camembert-base. Модель CamemBERT с 137,8 млн параметров дообучена методом Augmented SBERT на данных STSB с использованием стратегий подбора пар и двух моделей CrossEncoder-camembert-large и dangvantuan/sentence-camembert-large.

Модель предназначена для оценки семантического сходства и построения систем поиска по смыслу на французском языке. В README приведены результаты на STS-бенчмарках, измеренные корреляцией Пирсона и Спирмена. Максимальная длина контекста — 514 токенов. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • поиск похожих предложений на французском языке
  • ранжирование результатов поиска по смысловому сходству
  • поиск дубликатов французских текстов
  • сопоставление вопросов и ответов на французском языке

Ограничения

Модель рассчитана на французский язык, а контекст ограничен 514 токенами. Показатели качества в карточке приведены на наборах для оценки сходства предложений и не гарантируют аналогичных результатов на других задачах.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Pre-trained sentence embedding models are the state-of-the-art of Sentence Embeddings for French.

This model is improved from dangvantuan/sentence-camembert-base using fine-tuning with Augmented SBERT on dataset stsb along with Pair Sampling Strategies through 2 models CrossEncoder-camembert-large and dangvantuan/sentence-camembert-large

Usage

The model can be used directly (without a language model) as follows:

from sentence_transformers import SentenceTransformer
model =  SentenceTransformer("Lajavaness/sentence-camembert-base")

sentences = ["Un avion est en train de décoller.",
          "Un homme joue d'une grande flûte.",
          "Un homme étale du fromage râpé sur une pizza.",
          "Une personne jette un chat au plafond.",
          "Une personne est en train de plier un morceau de papier.",
          ]

embeddings = model.encode(sentences)

Evaluation

The model can be evaluated as follows on the French test data of stsb.

from sentence_transformers import SentenceTransformer
from sentence_transformers.readers import InputExample
from sentence_transformers.evaluation import EmbeddingSimilarityEvaluator
from datasets import load_dataset
def convert_dataset(dataset):
    dataset_samples=[]
    for df in dataset:
        score = float(df['similarity_score'])/5.0  # Normalize score to range 0 ... 1
        inp_example = InputExample(texts=[df['sentence1'], 
                                    df['sentence2']], label=score)
        dataset_samples.append(inp_example)
    return dataset_samples

# Loading the dataset for evaluation
df_dev = load_dataset("stsb_multi_mt", name="fr", split="dev")
df_test = load_dataset("stsb_multi_mt", name="fr", split="test")

# Convert the dataset for evaluation

# For Dev set:
dev_samples = convert_dataset(df_dev)
val_evaluator = EmbeddingSimilarityEvaluator.from_input_examples(dev_samples, name='sts-dev')
val_evaluator(model, output_path="./")

# For Test set:
test_samples = convert_dataset(df_test)
test_evaluator = EmbeddingSimilarityEvaluator.from_input_examples(test_samples, name='sts-test')
test_evaluator(model, output_path="./")

Test Result: The performance is measured using Pearson and Spearman correlation on the sts-benchmark:

  • On dev
ModelPearson correlationSpearman correlation#params
Lajavaness/sentence-camembert-base86.8886.73110M
dangvantuan/sentence-camembert-base86.7386.54110M
inokufu/flaubert-base-uncased-xnli-sts85.8585.71137M
distiluse-base-multilingual-cased79.2279.16135M
  • On test: Pearson and Spearman correlation are evaluated on many different benchmarks dataset:

Pearson score

ModelSTS-BSTS12-fr STS13-frSTS14-frSTS15-frSTS16-frSICK-frparams
Lajavaness/sentence-camembert-base83.4684.4984.6183.9486.9475.2082.86110M
inokufu/flaubert-base-uncased-xnli-sts82.8284.7985.7682.8185.3874.0582.23137M
dangvantuan/sentence-camembert-base82.3682.0684.0881.5185.5473.9780.91110M
sentence-transformers/distiluse-base-multilingual-cased-v278.6372.5167.2570.1279.9366.6777.76135M
hugorosen/flaubert_base_uncased-xnli-sts78.3879.0077.6176.5679.0371.2280.58137M
antoinelouis/biencoder-camembert-base-mmarcoFR76.9771.4373.5070.5678.4471.2377.62110M

Spearman score

ModelSTS-BSTS12-fr STS13-frSTS14-frSTS15-frSTS16-frSICK-frparams
Lajavaness/sentence-camembert-base82.9277.7184.1981.8387.0476.8176.36110M
inokufu/flaubert-base-uncased-xnli-sts83.0777.3485.8880.9685.7076.4377.00137M
dangvantuan/sentence-camembert-base81.6475.4583.8678.6385.6675.3674.18110M
sentence-transformers/distiluse-base-multilingual-cased-v277.4969.8068.8568.1780.2770.0472.49135M
hugorosen/flaubert_base_uncased-xnli-sts76.9368.9677.6271.8779.3372.8673.91137M
antoinelouis/biencoder-camembert-base-mmarcoFR75.5566.8973.9067.1478.7872.6472.03110M

Citation

@article{reimers2019sentence,
   title={Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks},
   author={Nils Reimers, Iryna Gurevych},
   journal={https://arxiv.org/abs/1908.10084},
   year={2019}
}


@article{martin2020camembert,
   title={CamemBERT: a Tasty French Language Mode},
   author={Martin, Louis and Muller, Benjamin and Su{\'a}rez, Pedro Javier Ortiz and Dupont, Yoann and Romary, Laurent and de la Clergerie, {\'E}ric Villemonte and Seddah, Djam{\'e} and Sagot, Beno{\^\i}t},
   journal={Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics},
   year={2020}
}
@article{thakur2020augmented,
  title={Augmented SBERT: Data Augmentation Method for Improving Bi-Encoders for Pairwise Sentence Scoring Tasks},
  author={Thakur, Nandan and Reimers, Nils and Daxenberger, Johannes and Gurevych, Iryna},
  journal={arXiv e-prints},
  pages={arXiv--2010},
  year={2020}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · sentence-transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
CamembertModel
Ревизия весов
2f86f5e

0 моделей