README.md

metadata

pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - feature-extraction
  - sentence-similarity
  - transformers
license: cc-by-4.0
language: te
widget:
  - source_sentence: ఒక మహిళ ఉల్లిపాయను కత్తిస్తోంది
    sentences:
      - ఒక స్త్రీ ఉల్లిపాయలు కోస్తోంది
      - ఒక స్త్రీ బంగాళాదుంపను తొక్కడం
      - ఒక పిల్లి ఇంటి చుట్టూ నడుస్తోంది
    example_title: Example 1
  - source_sentence: పిల్లల బృందం జంపింగ్ పోటీని నిర్వహిస్తోంది
    sentences:
      - పిల్లల గుంపు సరదాగా గడుపుతోంది
      - పిల్లలు పార్కులో ఆడుకోవడానికి ఇష్టపడతారు
      - ముగ్గురు అబ్బాయిలు నడుస్తున్నారు
    example_title: Example 2
  - source_sentence: మీ రెండు ప్రశ్నలకు అవుననే సమాధానం వస్తుంది
    sentences:
      - రెండు ప్రశ్నలకు అవుననే సమాధానం వస్తోంది
      - మేము మీ అన్ని ప్రశ్నలకు సమాధానమిచ్చాము
      - నేను ఈ ప్రశ్నకు సమాధానం ఇస్తాను
    example_title: Example 3

TeluguSBERT

This is a TeluguBERT model (l3cube-pune/telugu-bert) trained on the NLI dataset.
Released as a part of project MahaNLP: https://github.com/l3cube-pune/MarathiNLP

A better sentence similarity model (fine-tuned version of this model) is shared here: https://huggingface.co/l3cube-pune/telugu-sentence-similarity-sbert

More details on the dataset, models, and baseline results can be found in our [paper] (https://arxiv.org/abs/2211.11187)

@article{joshi2022l3cubemahasbert,
  title={L3Cube-MahaSBERT and HindSBERT: Sentence BERT Models and Benchmarking BERT Sentence Representations for Hindi and Marathi},
  author={Joshi, Ananya and Kajale, Aditi and Gadre, Janhavi and Deode, Samruddhi and Joshi, Raviraj},
  journal={arXiv preprint arXiv:2211.11187},
  year={2022}
}

Usage (Sentence-Transformers)

Using this model becomes easy when you have sentence-transformers installed:

pip install -U sentence-transformers

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["This is an example sentence", "Each sentence is converted"]

model = SentenceTransformer('{MODEL_NAME}')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

Without sentence-transformers, you can use the model like this: First, you pass your input through the transformer model, then you have to apply the right pooling-operation on-top of the contextualized word embeddings.

from transformers import AutoTokenizer, AutoModel
import torch


def cls_pooling(model_output, attention_mask):
    return model_output[0][:,0]


# Sentences we want sentence embeddings for
sentences = ['This is an example sentence', 'Each sentence is converted']

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('{MODEL_NAME}')
model = AutoModel.from_pretrained('{MODEL_NAME}')

# Tokenize sentences
encoded_input = tokenizer(sentences, padding=True, truncation=True, return_tensors='pt')

# Compute token embeddings
with torch.no_grad():
    model_output = model(**encoded_input)

# Perform pooling. In this case, cls pooling.
sentence_embeddings = cls_pooling(model_output, encoded_input['attention_mask'])

print("Sentence embeddings:")
print(sentence_embeddings)