语言:

• 日语 标签:
• 句子相似度
• 特征提取 基础模型: cl-nagoya/ruri-pt-small-v2 小部件: [] 管道标签: 句子相似度 许可证: apache-2.0 数据集:
• cl-nagoya/ruri-dataset-v2-ft

瑠璃（Ruri）：日语通用文本嵌入模型

注意：v3版本模型已发布！
我们推荐使用以下v3系列模型：

使用方法

首先安装Sentence Transformers库：

pip install -U sentence-transformers fugashi sentencepiece unidic-lite

然后加载模型并进行推理：

import torch.nn.functional as F
from sentence_transformers import SentenceTransformer

# 从🤗 Hub下载模型
model = SentenceTransformer("cl-nagoya/ruri-small-v2", trust_remote_code=True)

# 注意：查询文本需添加前缀"クエリ: "，文档文本需添加"文章: "
sentences = [
    "クエリ: 瑠璃色はどんな色？",
    "文章: 瑠璃色（るりいろ）は、紫みを帯びた濃い青。名は、半貴石の瑠璃（ラピスラズリ、英: lapis lazuli）による。JIS慣用色名では「こい紫みの青」（略号 dp-pB）と定義している[1][2]。",
    "クエリ: ワシやタカのように、鋭いくちばしと爪を持った大型の鳥類を総称して「何類」というでしょう?",
    "文章: ワシ、タカ、ハゲワシ、ハヤブサ、コンドル、フクロウが代表的である。これらの猛禽類はリンネ前後の時代(17~18世紀)には鷲類・鷹類・隼類及び梟類に分類された。ちなみにリンネは狩りをする鳥を単一の目(もく)にまとめ、vultur(コンドル、ハゲワシ)、falco(ワシ、タカ、ハヤブサなど)、strix(フクロウ)、lanius(モズ)の4属を含めている。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())
# 输出: [4, 768]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)

性能基准

JMTEB评估

使用JMTEB进行评估。

模型详情

模型描述

• 模型类型: 句子转换器
• 基础模型: cl-nagoya/ruri-pt-small-v2
• 最大序列长度: 512 tokens
• 输出维度: 768
• 相似度计算: 余弦相似度
• 语言: 日语
• 许可证: Apache 2.0
• 论文: https://arxiv.org/abs/2409.07737

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, '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, 'include_prompt': True})
)

框架版本

• Python: 3.10.13
• Sentence Transformers: 3.0.0
• Transformers: 4.41.2
• PyTorch: 2.3.1+cu118
• Accelerate: 0.30.1
• Datasets: 2.19.1
• Tokenizers: 0.19.1

引用文献

@misc{
  Ruri,
  title={{瑠璃：日语通用文本嵌入模型}}, 
  author={塚越駿人 and 笹野遼平},
  year={2024},
  eprint={2409.07737},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2409.07737}, 
}

许可证

本模型采用Apache License 2.0发布。