pipeline_tag: 句子相似度 language:

• 多语言
• 古希腊语
• 英语
• 拉丁语 license: apache-2.0 tags:
• 句子转换器
• 句子相似度

SPhilBerta

论文《探索古典文献学的语言模型》首次系统性地为古典文献学提供了最先进的语言模型。基于PhilBERTa模型，我们推出了SPhilBERTa——一个用于识别拉丁文与古希腊文文本间跨语言引用的句子转换器模型。我们采用了Reimers和Gurevych（2020）提出的知识蒸馏方法。完整论文详见此处。

使用方法

句子转换器

安装sentence-transformers后，可通过以下方式调用模型：

from sentence_transformers import SentenceTransformer
sentences = ["这是示例句子", "每个句子将被转换"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

HuggingFace转换器

若不使用sentence-transformers，可参考以下流程：首先通过转换器模型处理输入，然后对上下文词嵌入执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

#均值池化-考虑注意力掩码确保正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #模型输出的首个元素包含所有词元嵌入
    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)

#待处理句子
sentences = ['这是示例句子', '每个句子将被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

#分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

#计算词元嵌入
with torch.no_grad():
    model_output = model(**encoded_input)

#执行池化操作（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

print("句子嵌入向量：")
print(sentence_embeddings)

联系方式

如有疑问或问题，欢迎联系。

引用

@incollection{riemenschneiderfrank:2023b,
    author = "Riemenschneider, Frederick and Frank, Anette",
    title = "{Graecia capta ferum victorem cepit. 古希腊文学中的拉丁文用典检测}",
    year = "2023",
    url = "https://arxiv.org/abs/2308.12008",
    note = "待刊",
    publisher = "计算语言学协会",
    booktitle = "首届古代语言处理研讨会论文集",
    address = "保加利亚瓦尔纳"
}