sbert-base-cased-pl / README.md
AgaMiko's picture
Update README.md
0dc2d91
metadata
license: cc-by-4.0
language:
  - pl
datasets:
  - Wikipedia
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - feature-extraction
  - sentence-similarity
widget:
  - source_sentence: >-
      Uczenie maszynowe jest konsekwencją rozwoju idei sztucznej inteligencji i
      metod jej wdrażania praktycznego.
    sentences:
      - >-
        Głębokie uczenie maszynowe jest sktukiem wdrażania praktycznego metod
        sztucznej inteligencji oraz jej rozwoju.
      - >-
        Kasparow zarzucił firmie IBM oszustwo, kiedy odmówiła mu dostępu do
        historii wcześniejszych gier Deep Blue. 
      - >-
        Samica o długości ciała 10–11 mm, szczoteczki na tylnych nogach służące
        do zbierania pyłku oraz włoski na końcu odwłoka jaskrawo
        pomarańczowoczerwone. 
    example_title: Uczenie maszynowe
logo voicelab nlp

SHerbert - Polish SentenceBERT

SentenceBERT is a modification of the pretrained BERT network that use siamese and triplet network structures to derive semantically meaningful sentence embeddings that can be compared using cosine-similarity. Training was based on the original paper Siamese BERT models for the task of semantic textual similarity (STS) with a slight modification of how the training data was used. The goal of the model is to generate different embeddings based on the semantic and topic similarity of the given text.

Semantic textual similarity analyzes how similar two pieces of texts are.

Read more about how the model was prepared in our blog post.

The base trained model is a Polish HerBERT. HerBERT is a BERT-based Language Model. For more details, please refer to: "HerBERT: Efficiently Pretrained Transformer-based Language Model for Polish".

Corpus

Te model was trained solely on Wikipedia.

Tokenizer

As in the original HerBERT implementation, the training dataset was tokenized into subwords using a character level byte-pair encoding (CharBPETokenizer) with a vocabulary size of 50k tokens. The tokenizer itself was trained with a tokenizers library.

We kindly encourage you to use the Fast version of the tokenizer, namely HerbertTokenizerFast.

Usage

from transformers import AutoTokenizer, AutoModel
from sklearn.metrics import pairwise

sbert = AutoModel.from_pretrained("Voicelab/sbert-base-cased-pl")
tokenizer = AutoTokenizer.from_pretrained("Voicelab/sbert-base-cased-pl")

s0 = "Uczenie maszynowe jest konsekwencją rozwoju idei sztucznej inteligencji i metod jej wdrażania praktycznego."
s1 = "Głębokie uczenie maszynowe jest sktukiem wdrażania praktycznego metod sztucznej inteligencji oraz jej rozwoju."
s2 = "Kasparow zarzucił firmie IBM oszustwo, kiedy odmówiła mu dostępu do historii wcześniejszych gier Deep Blue. "


tokens = tokenizer([s0, s1, s2], 
                   padding=True, 
                   truncation=True,
                   return_tensors='pt')
x = sbert(tokens["input_ids"],
           tokens["attention_mask"]).pooler_output

# similarity between sentences s0 and s1
print(pairwise.cosine_similarity(x[0], x[1])) # Result: 0.7952354

# similarity between sentences s0 and s2
print(pairwise.cosine_similarity(x[0], x[2])) # Result: 0.42359722
   

Results

Model Accuracy Source
SBERT-WikiSec-base (EN) 80.42% https://arxiv.org/abs/1908.10084
SBERT-WikiSec-large (EN) 80.78% https://arxiv.org/abs/1908.10084
sbert-base-cased-pl 82.31% https://huggingface.co/Voicelab/sbert-base-cased-pl
sbert-large-cased-pl 84.42% https://huggingface.co/Voicelab/sbert-large-cased-pl

License

CC BY 4.0

Citation

If you use this model, please cite the following paper:

Authors

The model was trained by NLP Research Team at Voicelab.ai.

You can contact us here.