许可证：apache-2.0
语言：

• 意大利语
  任务标签：句子相似度

• 版本： 2

• 发布日期： 2024年4月23日

用途

本模型专为意大利语问答（Q&A）任务设计，适用于需要理解和处理意大利语查询以定位最相关答案上下文的应用场景。典型用例包括但不限于客户支持自动化、教育工具和信息检索系统。

模型描述

该意大利语问答句子转换器经过训练，能够解析和分析意大利语文本。给定一个问题时，模型通过将句子映射到高维空间，预测最可能包含答案的上下文。模型采用基于Transformer的架构，并针对意大利语的语言特点进行了专门优化。

使用方法

from transformers import AutoTokenizer, AutoModel  
import torch  
from sklearn.metrics.pairwise import cosine_similarity  
from sklearn.preprocessing import normalize  

# 加载模型和分词器  
model_name = "DeepMount00/Anita"  
tokenizer = AutoTokenizer.from_pretrained(model_name)  
model = AutoModel.from_pretrained(model_name)  

# 准备句子  
sentences = [  
    "卢卡每晚做什么？",  
    "一只快乐的狗在公园里奔跑，尾巴随风摆动。每片草叶，每只蝴蝶，都是一场冒险。闪亮的眼睛，耷拉的舌头，它欢快地探索着，被人类伙伴宠爱着。他们共享着由奔跑、游戏和无条件爱意编织的牢不可破的纽带。",  
    "在群山环抱、鲜花遍野的小村庄里，住着一个人，他的笑容能点亮最灰暗的日子。这个人名叫卢卡，他在日常小事中找到了幸福的钥匙：清晨咖啡的香气，广场上嬉戏孩童的笑声，以及每晚将天空染成橙紫色的日落。"  
]  

# 分词、编码并计算嵌入向量  
embeddings = []  
with torch.no_grad():  
    for sentence in sentences:  
        encoded_input = tokenizer(sentence, return_tensors='pt', padding=True, truncation=True, max_length=512)  
        embedding = model(**encoded_input).pooler_output  
        embeddings.append(embedding)  

# 转换嵌入向量为numpy数组并归一化  
embeddings = torch.cat(embeddings, dim=0).numpy()  

# 计算余弦相似度  
similarity_matrix = cosine_similarity(embeddings)  

# 打印相似度分数  
print("句子1与2的相似度:", similarity_matrix[0, 1])  
print("句子1与3的相似度:", similarity_matrix[0, 2])  
print("句子2与3的相似度:", similarity_matrix[1, 2])  

通过SentenceTransformer使用

pip install -U sentence-transformers  

from sentence_transformers import SentenceTransformer  
sentences = ["今天我去了海边", "比萨斜塔位于托斯卡纳"]  

model = SentenceTransformer('DeepMount00/Anita')  
embeddings = model.encode(sentences)  
print(embeddings)