/ Модель

Характеристики

Контекст
512 токенов
Параметры
443 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Опубликована
29 фев 2024

paecter

ЭмбеддингиТекст → embedding3 профессии

PaECTER преобразует английские патентные тексты в эмбеддинги для поиска, сравнения и кластеризации патентов.

19 652скачиваний за 30 дней18лайковвеса обновлены25 окт 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

PaECTER — модель для оценки семантического сходства патентных текстов, построенная на базе Google BERT for Patents. Она создаёт плотные векторы размерностью 1024 для патентных текстов, пригодные для семантического поиска, поиска предшествующего уровня техники, кластеризации и анализа патентных ландшафтов. Модель использует архитектуру BERT; максимальная длина контекста — 512 токенов.

PaECTER обучена с использованием функции потерь на триплетах, учитывающей цитирования патентов. Её можно применять для извлечения эмбеддингов и сравнения патентов в последующих задачах анализа. Вход — текст на английском языке, выход — векторные представления. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • семантический поиск по патентам
  • поиск предшествующего уровня техники
  • ранжирование патентов по сходству
  • кластеризация патентных документов
  • анализ патентных ландшафтов

Ограничения

Предназначена для патентных текстов на английском языке и ограничена контекстом в 512 токенов; более длинные тексты могут потребовать разбиения. README не приводит численных результатов оценки.

Для каких профессий подходит3

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

PaECTER - a Patent Similarity Model

PaECTER (Patent Embeddings using Citationinformed TransformERs) is a patent similarity model. Built upon Google's BERT for Patents as its base model, it generates 1024-dimensional dense vector embeddings from patent text. These vectors encapsulate the semantic essence of the given patent text, making it highly suitable for various downstream tasks related to patent analysis.

Paper: https://arxiv.org/pdf/2402.19411

Applications

  • Semantic Search
  • Prior Art Search
  • Clustering
  • Patent Landscaping

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('mpi-inno-comp/paecter')
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('mpi-inno-comp/paecter')
model = AutoModel.from_pretrained('mpi-inno-comp/paecter')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt', max_length=512)

# 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

Evaluation of this model is available in our paper, PaECTER: Patent-level Representation Learning using Citation-informed Transformers

Training

The model was trained with the parameters:

DataLoader:

torch.utils.data.dataloader.DataLoader of length 318750 with parameters:

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

Loss:

sentence_transformers.losses.CustomTripletLoss.CustomTripletLoss with parameters:

{'distance_metric': 'TripletDistanceMetric.EUCLIDEAN', 'triplet_margin': 1}

Parameters of the fit()-Method:

{
    "epochs": 1,
    "evaluation_steps": 4000,
    "evaluator": "sentence_transformers.evaluation.TripletEvaluator.TripletEvaluator",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 1e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 31875.0,
    "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': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)

Citing & Authors

@misc{ghosh2024paecter,
      title={PaECTER: Patent-level Representation Learning using Citation-informed Transformers}, 
      author={Mainak Ghosh and Sebastian Erhardt and Michael E. Rose and Erik Buunk and Dietmar Harhoff},
      year={2024},
      eprint={2402.19411},
      archivePrefix={arXiv},
      primaryClass={cs.IR}
}

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
1f355d9

0 моделей