sentence-transformer-ult5-pt-small

Mode description

This is a sentence-transformers model: It maps sentences & paragraphs to a 512 dimensional dense vector space and can be used for tasks like clustering or semantic search.

Este modelo é do tipo sentence-transformers baseado no modelo ult5-pt-small. Ele mapeia sentenças e parágrafos para vetores denso de dimensão 512, e pode ser utilizado para clustering, similaridades entre textos um busca semântica.

Use cases

Os modelos sentence-transformers geram embeddings do texto de melhor qualidade do que utilizar embeddings diretamente de encoders como BERT ou T5.

Possíveis aplicações para o modelo são:

Possible use cases:

• Clustering
• Semantic Textual Similarity
• Paraphrase Mining
• Semantic Search

Base Model

tgsc/ult5-pt-small

Usage (Sentence-Transformers)

O modo mais simples de uso é utilizar a biblioteca sentence-transformers:

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

pip install -U sentence-transformers

Para obter o embeddings:

Then you can use the model like this:

from sentence_transformers import SentenceTransformer
sentences = ["Este é um exemplo de sentença", "A sentença é convertida em um texto de dimensão 513"]

model = SentenceTransformer('tgsc/sentence-transformer-ult5-pt-small')
embeddings = model.encode(sentences)
print(embeddings)

Usage (HuggingFace Transformers)

É possível utilizar o modelo apenas com a biblioteca transfomers. Primeiro, passa-se o texto pelo modelo, e em seguida se aplica a operação de right pooling aos embeddings contextuais do texto.

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, T5EncoderModel
import torch


#Mean Pooling - Take attention mask into account for correct averaging
def mean_pooling(model_output, attention_mask):
    token_embeddings = model_output[0] #First element of model_output contains all token embeddings
    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)


# Sentences we want sentence embeddings for
sentences = ["Este é um exemplo de sentença", "A sentença é convertida em um texto de dimensão 513"]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained('tgsc/sentence-transformer-ult5-pt-small')
model = T5EncoderModel.from_pretrained('tgsc/sentence-transformer-ult5-pt-small')

# 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, mean pooling.
sentence_embeddings = mean_pooling(model_output, encoded_input['attention_mask'])

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

Similarity example

from sentence_transformers import SentenceTransformer, util
model = SentenceTransformer('tgsc/sentence-transformer-ult5-pt-small')

# Two lists of sentences
sentences1 = 10*['A Constituição da República é a norma máxima que regula a organização e funcionamento do Estado, garantindo os direitos fundamentais e estabelecendo os princípios e deveres que norteiam a sociedade brasileira.']


sentences2 = [
# Reescrituras da frase de referência
'Garantindo os direitos fundamentais e estabelecendo os princípios e deveres que norteiam a sociedade brasileira, a Constituição da República é a norma máxima que regula a organização e funcionamento do Estado.',
'A Constituição federal, enquanto lei suprema, determina a organização política da nação, protegendo os direitos fundamentais e estabelecendo as diretrizes e obrigações que conduzem a sociedade brasileira.',
'A Carta magna, como norma fundamental, regula a ordem jurídica e política do Estado, protegendo as garantias fundamentais e estabelecendo os princípios e responsabilidades que direcionam a sociedade brasileira.',
'A Lei maior, que disciplina a organização e o funcionamento dos poderes públicos, garante as liberdades e direitos essenciais e estabelece os valores e compromissos que orientam a sociedade brasileira.',
'A Lei fundamental do Estado, ao definir a estrutura e o funcionamento do Estado, assegura os direitos fundamentais e estabelece as normas e preceitos que orientam a sociedade brasileira.',
# Sentidos diferentes
'O contrato de prestação de serviços deve ser elaborado com clareza e objetividade, definindo as obrigações e responsabilidades de ambas as partes envolvidas.',
'A Lei Geral de Proteção de Dados (LGPD) estabelece as regras para o tratamento e proteção de informações pessoais no Brasil, visando a privacidade e segurança dos titulares.',
'O festival de música contou com a participação de diversas bandas nacionais e internacionais, atraindo um grande público ao longo de três dias de evento.',
'A feira de artesanato reuniu artesãos de diversas regiões do país, oferecendo uma variedade de produtos criativos e exclusivos para os visitantes.',
'O encontro de empreendedorismo contou com a presença de grandes líderes empresariais, que compartilharam suas experiências e estratégias para o sucesso nos negócios.',]

#Compute embedding for both lists
embeddings1 = model.encode(sentences1, convert_to_tensor=True)
embeddings2 = model.encode(sentences2, convert_to_tensor=True)

#Compute cosine-similarities
cosine_scores = util.cos_sim(embeddings1, embeddings2)

#Output the pairs with their score
# Print
print('sentença de referência\n', sentences1[0],'\n')
print('Reescrituras da frase de referência')
for i in range(len(sentences1)):
    print("Score: {:.4f} {} \t\t".format(cosine_scores[i][i], sentences2[i]))
    if i==4:
        print('\nFrases sobre assuntos diferentes')

# sentença de referência
#  A Constituição da República é a norma máxima que regula a organização e funcionamento do Estado, garantindo os direitos fundamentais e estabelecendo os princípios e deveres que norteiam a sociedade brasileira. 

# Reescrituras da frase de referência
# Score: 0.9825 Garantindo os direitos fundamentais e estabelecendo os princípios e deveres que norteiam a sociedade brasileira, a Constituição da República é a norma máxima que regula a organização e funcionamento do Estado. 		
# Score: 0.8496 A Constituição federal, enquanto lei suprema, determina a organização política da nação, protegendo os direitos fundamentais e estabelecendo as diretrizes e obrigações que conduzem a sociedade brasileira. 		
# Score: 0.8192 A Carta magna, como norma fundamental, regula a ordem jurídica e política do Estado, protegendo as garantias fundamentais e estabelecendo os princípios e responsabilidades que direcionam a sociedade brasileira. 		
# Score: 0.8385 A Lei maior, que disciplina a organização e o funcionamento dos poderes públicos, garante as liberdades e direitos essenciais e estabelece os valores e compromissos que orientam a sociedade brasileira. 		
# Score: 0.8745 A Lei fundamental do Estado, ao definir a estrutura e o funcionamento do Estado, assegura os direitos fundamentais e estabelece as normas e preceitos que orientam a sociedade brasileira. 		

# Frases sobre assuntos diferentes
# Score: 0.4742 O contrato de prestação de serviços deve ser elaborado com clareza e objetividade, definindo as obrigações e responsabilidades de ambas as partes envolvidas. 		
# Score: 0.5510 A Lei Geral de Proteção de Dados (LGPD) estabelece as regras para o tratamento e proteção de informações pessoais no Brasil, visando a privacidade e segurança dos titulares. 		
# Score: 0.1828 O festival de música contou com a participação de diversas bandas nacionais e internacionais, atraindo um grande público ao longo de três dias de evento. 		
# Score: 0.1489 A feira de artesanato reuniu artesãos de diversas regiões do país, oferecendo uma variedade de produtos criativos e exclusivos para os visitantes. 		
# Score: 0.2284 O encontro de empreendedorismo contou com a presença de grandes líderes empresariais, que compartilharam suas experiências e estratégias para o sucesso nos negócios. 

Citation

@misc{ult5-pt2023,
  author = {Thacio Garcia Scandaroli},
  title = {ULT5-pt: Portuguese Language Model trained with UL2},
  year = {2023},
}