/ Модель

Характеристики

Контекст
512 токенов
Параметры
140 млн
Архитектура
bert · dense
Опубликована
29 апр 2023

st-greek-media-bert-base-uncased

ЭмбеддингиТекст → embedding8 профессий

Модель преобразует грекоязычные предложения и абзацы в эмбеддинги для семантического поиска, сравнения и кластеризации.

163скачиваний за 30 дней1лайквеса обновлены13 дек 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

Это модель эмбеддингов предложений на основе Greek Media BERT без учёта регистра, опубликованная Dimitrios Zaikis и соавторами вместе с работой DACL. Она преобразует предложения и абзацы на греческом языке в плотные векторы размерности 768 для поиска по смыслу, кластеризации и сравнения текстов. Модель имеет архитектуру BERT, содержит 140,1 млн параметров и принимает последовательности длиной до 512 токенов.

Модель дообучена с помощью Triplet Loss на пользовательской выборке предложений из интернета, социальных сетей и прессы: обучение сближало более похожие предложения и отдаляло менее похожие. Это делает её подходящей для семантического поиска и кластеризации грекоязычных текстов в этих областях. Доступны веса PyTorch и safetensors; для использования подходят Sentence-Transformers и Transformers с соответствующим pooling. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по грекоязычным статьям и публикациям
  • поиск похожих предложений в греческих социальных сетях
  • кластеризация грекоязычных новостных текстов
  • сравнение смысловой близости греческих предложений

Ограничения

Модель обучалась на греческих текстах из интернета, социальных сетей и прессы, поэтому её применимость к другим языкам и предметным областям не подтверждена. Максимальная длина входа составляет 512 токенов.

Для каких профессий подходит8

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

Greek Media SBERT (uncased)

Sentence Transformer

This is a sentence-transformers based on the Greek Media BERT (uncased) model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:


pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('dimitriz/st-greek-media-bert-base-uncased')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.

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('dimitriz/st-greek-media-bert-base-uncased')
model = AutoModel.from_pretrained('dimitriz/st-greek-media-bert-base-uncased')

# 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)

Evaluation Results

For an automated evaluation of this model, see the Sentence Embeddings Benchmark: https://seb.sbert.net

Training

The model was trained on a custom dataset containing triplets from the combined Greek 'internet', 'social-media' and 'press' domains, described in the paper DACL.

  • The dataset was created by sampling triplets of sentences from the same domain, where the first two sentences are more similar than the third one.
  • Training objective was to maximize the similarity between the first two sentences and minimize the similarity between the first and the third sentence.
  • The model was trained for 3 epochs with a batch size of 16 and a maximum sequence length of 512 tokens.
  • The model was trained on a single NVIDIA RTX A6000 GPU with 48GB of memory.

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 10807 with parameters:

{'batch_size': 16, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.TripletLoss.TripletLoss with parameters:

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 5}

Parameters of the fit()-Method:

{
    "epochs": 3,
    "evaluation_steps": 1000,
    "evaluator": "sentence_transformers.evaluation.TripletEvaluator.TripletEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 17290,
    "weight_decay": 0.01
}

Full Model Architecture

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': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

Citing & Authors

The model has been officially released with the article "DACL: A Domain-Adapted Contrastive Learning Approach to Low Resource Language Representations for Document Clustering Tasks". Dimitrios Zaikis, Stylianos Kokkas and Ioannis Vlahavas. In: Iliadis, L., Maglogiannis, I., Alonso, S., Jayne, C., Pimenidis, E. (eds) Engineering Applications of Neural Networks. EANN 2023. Communications in Computer and Information Science, vol 1826. Springer, Cham".

If you use the model, please cite the following:

@InProceedings{10.1007/978-3-031-34204-2_47,
author="Zaikis, Dimitrios
and Kokkas, Stylianos
and Vlahavas, Ioannis",
editor="Iliadis, Lazaros
and Maglogiannis, Ilias
and Alonso, Serafin
and Jayne, Chrisina
and Pimenidis, Elias",
title="DACL: A Domain-Adapted Contrastive Learning Approach to Low Resource Language Representations for Document Clustering Tasks",
booktitle="Engineering Applications of Neural Networks",
year="2023",
publisher="Springer Nature Switzerland",
address="Cham",
pages="585--598",
isbn="978-3-031-34204-2"
}


Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
BertModel
Ревизия весов
4318c3c

0 моделей