/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Архитектура
bert · dense
Опубликована
19 сен 2022

Legal-BERTimbau-sts-base-ma-v2

ЭмбеддингиТекст → embedding5 профессий

Модель на основе BERT создаёт векторы португалоязычных юридических текстов для семантического поиска, кластеризации и сравнения смыслового сходства.

184скачиваний за 30 дней2лайкавеса 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

Legal-BERTimbau-sts-base-ma-v2 — модель Sentence-Transformers на основе BERT, разработанная для сравнения предложений и абзацев на португальском языке в юридической области. Она формирует плотные векторы размерности 768 и подходит для семантического поиска, кластеризации и оценки смыслового сходства. Модель обучена для задачи семантического сходства на португальских наборах ASSIN, ASSIN2 и STS-B Multi-MT; при обучении также применялась мультиязычная дистилляция знаний.

Модель содержит 136,1 млн параметров, поддерживает контекст до 512 токенов и распространяется в форматах PyTorch и Safetensors. В приведённой оценке STS она показывает средний результат 0,79307 на трёх португалоязычных наборах. README указывает Legal-BERTimbau-base как основу модели, производную от BERTimbau base. Условия лицензии в предоставленных данных не указаны.

Сценарии применения

  • поиск юридических документов по смыслу на португальском языке
  • сравнение смыслового сходства юридических предложений
  • кластеризация португалоязычных юридических текстов
  • поиск похожих фрагментов в корпусе юридических документов

Ограничения

Рассчитана на португальский язык и юридический домен; качество для других языков и областей по предоставленным данным не подтверждено. Контекст ограничен 512 токенами.

Для каких профессий подходит5

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

rufimelo/Legal-BERTimbau-sts-base-ma

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. rufimelo/rufimelo/Legal-BERTimbau-sts-base-ma is based on Legal-BERTimbau-base which derives from BERTimbau alrge. 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-sts-base-ma-v2')
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-sts-base-ma-v2')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-base-ma-v2')

# 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-sts-base-ma-v2 is based on Legal-BERTimbau-base which derives from BERTimbau base.

Firstly, due to the lack of portuguese datasets, it was trained using multilingual knowledge distillation. For the Multilingual Knowledge Distillation process, the teacher model was 'sentence-transformers/paraphrase-xlm-r-multilingual-v1', the supposed supported language as English and the language to learn was portuguese.

It was trained for Semantic Textual Similarity, being submitted to a fine tuning stage with the assin, assin2 and stsb_multi_mt pt datasets.

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

Citing & Authors

If you use this work, please cite:

@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}
}

@inproceedings{fonseca2016assin,
  title={ASSIN: Avaliacao de similaridade semantica e inferencia textual},
  author={Fonseca, E and Santos, L and Criscuolo, Marcelo and Aluisio, S},
  booktitle={Computational Processing of the Portuguese Language-12th International Conference, Tomar, Portugal},
  pages={13--15},
  year={2016}
}

@inproceedings{real2020assin,
  title={The assin 2 shared task: a quick overview},
  author={Real, Livy and Fonseca, Erick and Oliveira, Hugo Goncalo},
  booktitle={International Conference on Computational Processing of the Portuguese Language},
  pages={406--412},
  year={2020},
  organization={Springer}
}
@InProceedings{huggingface:dataset:stsb_multi_mt,
title = {Machine translated multilingual STS benchmark dataset.},
author={Philip May},
year={2021},
url={https://github.com/PhilipMay/stsb-multi-mt}
}

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
8b2e182

0 моделей