/ Модель

Характеристики

Контекст
512 токенов
Параметры
433 млн
Архитектура
bert · dense
Опубликована
7 ноя 2022

Legal-BERTimbau-large-TSDAE-v4-GPL-sts

ЭмбеддингиТекст → embedding4 профессии

Модель BERT для получения векторов и поиска семантически близких португальских юридических текстов.

115скачиваний за 30 дней3лайкавеса обновлены24 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

rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts — модель эмбеддингов на архитектуре BERT, созданная для поиска семантически близких предложений и абзацев на португальском языке в юридических текстах. Она основана на Legal-BERTimbau-large, который происходит от BERTimbau large, и содержит около 433,2 млн параметров. Модель выдаёт плотные векторы размерностью 1024 и рассчитана на сравнение смыслового сходства, кластеризацию и семантический поиск.

Обучение включало TSDAE на очищенных документах, технику GPL и дообучение для оценки семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT. Модель принимает текст и возвращает векторы; заявленный контекст — до 512 токенов. Она специализирована на юридическом португальском и оценке сходства предложений. Лицензия в предоставленных данных не указана.

Сценарии применения

  • семантический поиск по португальским юридическим документам
  • сравнение смыслового сходства юридических предложений
  • кластеризация португальских правовых текстов

Ограничения

Контекст ограничен 512 токенами; модель специализирована на португальских юридических текстах, поэтому её пригодность для других языков и областей не подтверждена. Лицензия в предоставленных данных не указана.

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

rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts

This is a sentence-transformers model: It maps sentences & paragraphs to a 1024 dimensional dense vector space and can be used for tasks like clustering or semantic search. rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts is based on Legal-BERTimbau-large which derives from BERTimbau large. It is adapted to the Portuguese legal domain and trained for STS on portuguese datasets.

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 = ["Isto é um exemplo", "Isto é um outro exemplo"]

model = SentenceTransformer('rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

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('rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts')

# 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 STS

ModelAssinAssin2stsb_multi_mt ptavg
Legal-BERTimbau-sts-base0.714570.735450.723830.72462
Legal-BERTimbau-sts-base-ma0.748740.795320.822540.78886
Legal-BERTimbau-sts-base-ma-v20.754810.802620.821780.79307
Legal-BERTimbau-base-TSDAE-sts0.788140.813800.757770.78657
Legal-BERTimbau-sts-large0.766290.823570.791200.79369
Legal-BERTimbau-sts-large-v20.762990.811210.817260.79715
Legal-BERTimbau-sts-large-ma0.761950.816220.826080.80142
Legal-BERTimbau-sts-large-ma-v20.78360.84620.82610.81863
Legal-BERTimbau-sts-large-ma-v30.77490.84700.83640.81943
Legal-BERTimbau-large-v2-sts0.716650.801060.737240.75165
Legal-BERTimbau-large-TSDAE-sts0.723760.792610.736350.75090
Legal-BERTimbau-large-TSDAE-sts-v20.813260.831300.7863140.81029
Legal-BERTimbau-large-TSDAE-sts-v30.807030.822700.776380.80204
--------------------------------------------------------------------------------
BERTimbau base Fine-tuned for STS0.784550.806260.828410.80640
BERTimbau large Fine-tuned for STS0.781930.817580.837840.81245
--------------------------------------------------------------------------------
paraphrase-multilingual-mpnet-base-v20.714570.798310.839990.78429
paraphrase-multilingual-mpnet-base-v2 Fine-tuned with assin(s)0.776410.798310.845750.80682

Training

rufimelo/Legal-BERTimbau-large-TSDAE-sts-v3 is based on rufimelo/Legal-BERTimbau-large-TSDAE-sts-v3 which derives from BERTimbau large.

rufimelo/Legal-BERTimbau-large-TSDAE-v4-GPL-sts was trained with TSDAE: 200000 cleaned documents (https://huggingface.co/datasets/rufimelo/PortugueseLegalSentences-v1) 'lr': 1e-5

It was used GPL technique where batch = 4, epoch = 1, lr = 2e-5 and as to simulate the Cross-Encoder: rufimelo/Legal-BERTimbau-sts-large-v2 with dot product

It was trained for Semantic Textual Similarity, being submitted to a fine tuning stage with the assin, assin2 and stsb_multi_mt pt datasets. 'lr': 1e-5

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, '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, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False})
)

Citing & Authors

If you use this work, please cite BERTimbau's work:

@inproceedings{souza2020bertimbau,
  author    = {F{\'a}bio Souza and
               Rodrigo Nogueira and
               Roberto Lotufo},
  title     = {{BERT}imbau: pretrained {BERT} models for {B}razilian {P}ortuguese},
  booktitle = {9th Brazilian Conference on Intelligent Systems, {BRACIS}, Rio Grande do Sul, Brazil, October 20-23 (to appear)},
  year      = {2020}
}

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
3ef32c0

0 моделей