language:

• pt thumbnail: 葡萄牙法律领域专用BERT模型 tags:
• 句子转换器
• 转换器
• BERT
• PyTorch
• 句子相似度 license: mit pipeline_tag: 句子相似度 datasets:
• stjiris/portuguese-legal-sentences-v0
• assin
• assin2
• stsb_multi_mt widget:
• source_sentence: 律师向法官提交了证据。 sentences:
  • 法官阅读了证据。
  • 法官阅读了上诉书。
  • 法官扔了一块石头。 model-index:
• name: BERTimbau results:
  • task: name: STS type: STS metrics:
    • name: 皮尔逊相关系数 - assin数据集 type: 皮尔逊相关系数 value: 0.7859786062022175
    • name: 皮尔逊相关系数 - assin2数据集 type: 皮尔逊相关系数 value: 0.8154293682156972
    • name: 皮尔逊相关系数 - stsb_multi_mt pt数据集 type: 皮尔逊相关系数 value: 0.8442486730001203

本工作为IRIS项目的组成部分。

论文：最高法院语义搜索系统

stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v1 (法律版BERTimbau)

这是一个句子转换器模型：可将句子和段落映射至1024维稠密向量空间，适用于聚类或语义搜索等任务。
stjiris/bert-large-portuguese-cased-legal-tsdae基于BERTimbau大模型开发。

模型采用TSDAE技术训练，学习率1e-5，训练数据为约3万份法律文书中的句子，经过21.2k训练步数（在我们的语义搜索系统实现中表现最佳）。

针对语义文本相似性任务，模型进一步在assin、assin2、stsb_multi_mt pt数据集上进行微调，学习率保持1e-5。

使用指南（Sentence-Transformers）

安装sentence-transformers后即可便捷使用：

pip install -U sentence-transformers

使用示例：

from sentence_transformers import SentenceTransformer
sentences = ["这是示例句子", "这是另一个示例"]

model = SentenceTransformer('stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v0')
embeddings = model.encode(sentences)
print(embeddings)

使用指南（HuggingFace Transformers）

from transformers import AutoTokenizer, AutoModel
import torch

#均值池化处理-考虑注意力掩码
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标记嵌入
    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)

#待编码句子
sentences = ['这是示例句子', '每个句子都将被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v0')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-tsdae-sts-v0')

#标记化处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

#计算标记嵌入
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)

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1028, '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})
)