/ Модель

Характеристики

Контекст
512 токенов
Параметры
195 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Библиотека
sentence-transformers
Опубликована
17 дек 2023

tsdae-lemone-mbert-base

ЭмбеддингиТекст → embedding4 профессии

Многоязычная BERT-модель, адаптированная к французским юридическим текстам для построения эмбеддингов, семантического поиска и кластеризации.

178скачиваний за 30 дней4лайкавеса обновлены17 дек 2023

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

Модель louisbrulenaudet/tsdae-lemone-mbert-base — Sentence-Transformers на основе многоязычного BERT, адаптированная разработчиком Louis Brulé Naudet к французским юридическим текстам. Она преобразует предложения и абзацы в плотные векторы размерностью 768 и предназначена для семантического поиска, кластеризации и извлечения признаков для последующей классификации. Обучение методом TSDAE использовало 100 000 предложений из французских кодексов, включая гражданское, уголовное, трудовое и налоговое право.

Модель содержит около 194,6 млн параметров, принимает текст и имеет контекстное окно 512 токенов. Базовый mBERT предварительно обучен на 102 языках, однако эта версия специализирована на французском юридическом языке. Репозиторий предоставляет веса PyTorch, Safetensors и Flax. Лицензия — Apache-2.0.

Специализация на французском праве помогает находить семантически близкие формулировки в юридических корпусах и получать признаки для downstream-задач. Модель выдаёт эмбеддинги, а не готовые юридические заключения или ответы; качество на иных языках и предметных областях может быть ниже.

Сценарии применения

  • семантический поиск по корпусу французских законов
  • поиск юридически близких предложений и абзацев
  • кластеризация статей французских кодексов
  • извлечение признаков для классификации юридических текстов

Ограничения

Модель адаптирована к французскому юридическому языку и не предназначена для генерации юридических ответов или заключений. Контекстное окно ограничено 512 токенами.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Domain-adapted mBERT for French Legal Practice

This is a sentence-transformers model: It maps sentences & paragraphs to a 768 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Pretrained transformers model on the top 102 languages with the largest Wikipedia using a masked language modeling (MLM) objective, fitted using Transformer-based Sequential Denoising Auto-Encoder for unsupervised sentence embedding learning with one objective : french legal domain adaptation.

This way, the model learns an inner representation of the french legal language in the training set that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled sentences for instance, you can train a standard classifier using the features produced by the model as inputs.

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("louisbrulenaudet/tsdae-lemone-mbert-base")
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


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)

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 25000 with parameters:

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

Loss:

sentence_transformers.losses.DenoisingAutoEncoderLoss.DenoisingAutoEncoderLoss

Parameters of the fit()-Method:

{
    "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
}

Training data

The training database consisted of 100,000 random sentences, each over 40 characters long, from the :

  • French Intellectual Property Code (Code de la propriété intellectuelle)
  • French Civil Code (Code civil)
  • French Labor Code (Code du travail)
  • French Monetary and Financial Code (Code monétaire et financier)
  • French Commercial Code (Code de commerce)
  • French Penal Code (Code pénal)
  • French Consumer Code (Code de la consommation)
  • French Environment Code (Code de l'environnement)
  • French General Tax Code (Code général des Impôts)
  • French Code of civil procedure (Code de procédure civile)

The number of sentences per code may not exceed 15,000.

The DenoisingAutoEncoderDataset is crafted to provide pairs of noisy and clean data instances. This arrangement allows the denoising autoencoder model to learn and enhance its ability to reconstruct or generate clean data from the corrupted versions provided in the dataset.

By providing pairs of noisy and clean data instances from legal texts, the denoising autoencoder can learn to reconstruct or denoise the noisy, domain-specific text, effectively capturing the intricate linguistic nuances and domain-specific features. This learning process assists in building a model that can generalize better to the legal domain, even when initially trained on more general or diverse datasets.

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

Citing & Authors

If you use this code in your research, please use the following BibTeX entry.

@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}},
}

Feedback

If you have any feedback, please reach out at louisbrulenaudet@icloud.com.

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
BertModel
Ревизия весов
90d8cfa

0 моделей