语言:

• 多语言
• 阿拉伯语
• 保加利亚语
• 加泰罗尼亚语
• 捷克语
• 丹麦语
• 德语
• 希腊语
• 英语
• 西班牙语
• 爱沙尼亚语
• 波斯语
• 芬兰语
• 法语
• 加利西亚语
• 古吉拉特语
• 希伯来语
• 印地语
• 克罗地亚语
• 匈牙利语
• 亚美尼亚语
• 印尼语
• 意大利语
• 日语
• 格鲁吉亚语
• 韩语
• 库尔德语
• 立陶宛语
• 拉脱维亚语
• 马其顿语
• 蒙古语
• 马拉地语
• 马来语
• 缅甸语
• 挪威书面语
• 荷兰语
• 波兰语
• 葡萄牙语
• 罗马尼亚语
• 俄语
• 斯洛伐克语
• 斯洛文尼亚语
• 阿尔巴尼亚语
• 塞尔维亚语
• 瑞典语
• 泰语
• 土耳其语
• 乌克兰语
• 乌尔都语
• 越南语 许可证: apache-2.0 库名称: sentence-transformers 标签:
• sentence-transformers
• 特征提取
• 句子相似度
• transformers 语言BCP47代码:
• 加拿大法语
• 巴西葡萄牙语
• 简体中文
• 繁体中文 管道标签: 句子相似度

lang-uk/ukr-paraphrase-multilingual-mpnet-base

这是一个专为乌克兰语优化的sentence-transformers模型：它能将句子和段落映射到768维稠密向量空间，适用于聚类或语义搜索等任务。

该模型的微调基础是sentence-transformers/paraphrase-multilingual-mpnet-base-v2。详见我们的论文《乌克兰语上下文嵌入：基于大语言模型的词义消歧方法》。

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 = ["这是一个示例句子", "每个句子都会被转换"]

model = SentenceTransformer('lang-uk/ukr-paraphrase-multilingual-mpnet-base')
embeddings = model.encode(sentences)
print(embeddings)

使用方法（HuggingFace Transformers）

若不使用sentence-transformers，可按以下方式操作：首先通过transformer模型处理输入，然后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] #模型输出的第一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 = ['这是一个示例句子', '每个句子都会被转换']

#从HuggingFace Hub加载模型
tokenizer = AutoTokenizer.from_pretrained('lang-uk/ukr-paraphrase-multilingual-mpnet-base')
model = AutoModel.from_pretrained('lang-uk/ukr-paraphrase-multilingual-mpnet-base')

#分词处理
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（本例采用平均池化）
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

引用与作者

若本模型对您有帮助，请引用我们的论文《乌克兰语上下文嵌入：基于大语言模型的词义消歧方法》：

@inproceedings{laba-etal-2023-contextual,
    title = "Contextual Embeddings for {U}krainian: A Large Language Model Approach to Word Sense Disambiguation",
    author = "Laba, Yurii  and
      Mudryi, Volodymyr  and
      Chaplynskyi, Dmytro  and
      Romanyshyn, Mariana  and
      Dobosevych, Oles",
    editor = "Romanyshyn, Mariana",
    booktitle = "Proceedings of the Second Ukrainian Natural Language Processing Workshop (UNLP)",
    month = may,
    year = "2023",
    address = "Dubrovnik, Croatia",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2023.unlp-1.2",
    doi = "10.18653/v1/2023.unlp-1.2",
    pages = "11--19",
    abstract = "本研究提出了一种基于预训练大语言模型（LLM）无监督生成数据集进行监督微调的新方法，用于乌克兰语词义消歧（WSD）任务，以获得多义词更好的上下文嵌入。论文提出基于SUM词典生成乌克兰语WSD评估数据集的方法，开发了支持不同预测策略、LLM和池化策略的综合性框架，可生成多维度性能报告。我们的方法在预测同形异义词词义时达到77.9%的准确率。",
}

版权声明：尤里·拉巴、沃洛迪米尔·穆德里、德米特罗·查普林斯基、玛丽安娜·罗曼尼申、奥列斯·多博塞维奇，乌克兰天主教大学，lang-uk项目，2023年

原始微调模型由sentence-transformers训练。