language:

• pt thumbnail: "葡萄牙语法律领域BERT模型" pipeline_tag: 句子相似度 tags:
• sentence-transformers
• 句子相似度
• transformers datasets:
• assin
• assin2
• stsb_multi_mt
• rufimelo/PortugueseLegalSentences-v0

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。" example_title: "示例1" 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: 0.7749
    • name: 皮尔逊相关系数 - assin2数据集 type: 皮尔逊相关系数 value: 0.8470
    • name: 皮尔逊相关系数 - stsb_multi_mt pt数据集 type: 皮尔逊相关系数 value: 0.8364

rufimelo/Legal-BERTimbau-sts-large-ma-v3

这是一个sentence-transformers模型：它能将句子和段落映射到1024维的密集向量空间，可用于聚类或语义搜索等任务。
rufimelo/Legal-BERTimbau-sts-large-ma-v3基于Legal-BERTimbau-large模型，后者源自BERTimbau大模型。
该模型针对葡萄牙语法律领域进行了适配，并在葡萄牙语数据集上进行了句子相似度训练。

使用方法（Sentence-Transformers）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

使用示例：

from sentence_transformers import SentenceTransformer
sentences = ["这是一个示例", "这是另一个示例"]

model = SentenceTransformer('rufimelo/Legal-BERTimbau-sts-large-ma-v3')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化 - 考虑注意力掩码进行正确平均
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] # 模型输出的第一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 = ['这是一个示例句子', '每个句子都被转换']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('rufimelo/Legal-BERTimbau-sts-large-ma-v3')
model = AutoModel.from_pretrained('rufimelo/Legal-BERTimbau-sts-large-ma-v3')

# 标记化句子
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（本例采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

STS评估结果

训练过程

本模型基于Legal-BERTimbau-large开发，后者源自BERTimbau大模型。
由于缺乏葡萄牙语数据集，首先采用多语言知识蒸馏进行训练，教师模型为'sentence-transformers/stsb-roberta-large'。
随后在assin、assin2和stsb_multi_mt pt数据集上进行微调（批量大小8，5个epoch，学习率1e-5）。

模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False})
)

引用与作者

若使用本作品，请引用：

@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}},
  year      = {2020}
}
（其他引用条目保持不变...）