许可证：apache-2.0
语言：

• 波斯语
• 英语
  基础模型：
• FacebookAI/xlm-roberta-base
  库名称：transformers

heydariAI/波斯语嵌入模型

我的GitHub: @heydaari

我的领英: Mohammad Hassan Heydari

本模型是基于xlm-roberta-base微调的版本，专门针对海量波斯语语料训练，旨在生成高质量的波斯语句子及段落上下文嵌入。该模型在波斯语文本的语义搜索、聚类和上下文相似性等任务中表现卓越，同时支持波斯语与英语的多语言任务。

微调过程着重于调整预训练的多语言XLM-RoBERTa模型，以更好地捕捉波斯语的语言细微差别，使其在需要波斯语定制嵌入的任务中极为高效。

注：本波斯语嵌入模型是persian-sentence-transformers-news-wiki-pairs-v4的复刻版本

使用方法（Sentence-Transformers库）

安装sentence-transformers后即可轻松使用：

pip install -U sentence-transformers

随后按如下方式调用模型：

from sentence_transformers import SentenceTransformer
sentences = ['什么是大语言模型？', 'مدل های زبانی بزرگ چه هستند؟']  # 例句含中英文说明

model = SentenceTransformer('heydariAI/persian-embeddings')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers库）

若不使用sentence-transformers，可按以下步骤操作：先将输入传入transformer模型，再对上下文词嵌入执行正确的池化操作。

from transformers import AutoTokenizer, AutoModel
import torch

# 均值池化 - 考虑注意力掩码以确保正确平均
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词元嵌入
    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 = ['what are Large Language Models?', 'مدل های زبانی بزرگ چه هستند؟']

# 从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('heydariAI/persian-embeddings')
model = AutoModel.from_pretrained('heydariAI/persian-embeddings')

# 句子分词
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# 计算词元嵌入
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)