language:

• pt thumbnail: 葡萄牙语法律领域BERT模型 tags:
• sentence-transformers
• transformers
• bert
• pytorch datasets:
• stjiris/portuguese-legal-sentences-v0 license: mit widget:
• text: 律师向法官提交了[MASK]。 pipeline_tag: fill-mask

本成果作为IRIS项目组成部分开发。

论文：最高法院语义搜索系统

stjiris/bert-large-portuguese-cased-legal-mlm (法律版BERTimbau)

这是一个sentence-transformers模型：可将句子和段落映射到1024维稠密向量空间，适用于聚类或语义搜索等任务。该模型基于BERTimbau大型版训练。

采用MLM技术，学习率1e-5，在约3万份法律文书句子数据集上训练5300步（在我们的语义搜索系统实现中表现最佳）

使用方法(Sentence-Transformers)

安装sentence-transformers后即可便捷使用：

pip install -U sentence-transformers

使用示例：

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

model = SentenceTransformer('stjiris/bert-large-portuguese-cased-legal-mlm')
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token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 = ['这是示例句子', '每个句子都会被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm')
model = AutoModel.from_pretrained('stjiris/bert-large-portuguese-cased-legal-mlm')

#分词处理
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

#计算token嵌入
with torch.no_grad():
    model_output = model(**encoded_input)
#执行池化操作（此处采用均值池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])
print("句子嵌入向量：")
print(sentence_embeddings)

完整模型架构

SentenceTransformer(
  (0): Transformer({'max_seq_length': 514, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 1028, '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})
)

引用与作者

贡献者

@rufimelo99

若使用本作品，请引用：

（此处保留原bibtex格式引用内容，仅翻译注释说明）
# 注：以下为学术文献引用格式，建议保持原文不变