语言:

• 日语 标签:
• 句子相似度
• 特征提取 基础模型: cl-nagoya/ruri-pt-large-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

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版本模型：

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
model = SentenceTransformer("cl-nagoya/ruri-large-v2")

# 注意：查询文本需添加前缀"クエリ: "，段落文本需添加"文章: "
sentences = [
    "クエリ: 瑠璃色是什么颜色？",
    "文章: 瑠璃色（るりいろ）是带紫色的深蓝色。名称源自半宝石琉璃（青金石，英文: lapis lazuli）。在JIS惯用色名中定义为「浓紫味青」（简称 dp-pB）[1][2]。",
    "クエリ: 像鹰或雕这样具有锐利喙和爪的大型鸟类统称为什么类？",
    "文章: 鹰、雕、秃鹫、隼、秃鹰、猫头鹰是典型代表。这些猛禽在林奈时代前后（17~18世纪）被分类为鹰类·雕类·隼类及鸮类。林奈将捕猎鸟类归为单一目，包含vultur(秃鹰、秃鹫)、falco(鹰、雕、隼等)、strix(猫头鹰)、lanius(伯劳)4个属。",
]

embeddings = model.encode(sentences, convert_to_tensor=True)
print(embeddings.size())  # [4, 1024]

similarities = F.cosine_similarity(embeddings.unsqueeze(0), embeddings.unsqueeze(1), dim=2)
print(similarities)
# [[1.0000, 0.9525, 0.6462, 0.6736],
#  [0.9525, 1.0000, 0.6442, 0.6690],
#  [0.6462, 0.6442, 1.0000, 0.9046],
#  [0.6736, 0.6690, 0.9046, 1.0000]]

基准测试

JMTEB

使用JMTEB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-large-v2
• 最大序列长度: 512个标记
• 输出维度: 1024
• 相似度函数: 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': 1024, '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

@misc{
  Ruri,
  title={{Ruri: 日语通用文本嵌入模型}}, 
  author={Hayato Tsukagoshi and Ryohei Sasano},
  year={2024},
  eprint={2409.07737},
  archivePrefix={arXiv},
  primaryClass={cs.CL},
  url={https://arxiv.org/abs/2409.07737}, 
}

许可证

本模型基于Apache License 2.0发布。