How to use aimarsg/bernat_bopv_contrastive with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("aimarsg/bernat_bopv_contrastive") sentences = [ "Zein dira euskarazko hedabideen hobekuntza-azterketak egiteko diru-laguntzak jasotzeko baldintzak?", "Osakidetza-Euskal Osasun Zerbitzuko zuzendari nagusiaren urtarrilaren 27ko 106/1997 Ebazpenaren bidez, Juan Ramón De la Puente Pagola izendatu zen Mendaroko Ospitaleko Pertsonaleko zuzendari.\nEkainaren 26ko 8/1997 Legea, azaroaren 11ko 255/1997 Dekretua eta aplika daitezkeen gainerako xedapenak aztertu eta gero, zuzendaritza nagusi honek hau\nEBATZI DU\n:\nLehenengoa. Juan Ramón De la Puente Pagola jauna Mendaroko Ospitaleko Pertsonaleko zuzendari kargutik kentzea, eta egindako lanagatik eskerrak ematea.\nBigarrena. Ebazpen honek 2009ko urriaren 31tik aurrera izango du indarra.\nHirugarrena. Ebazpen hau interesdunari eta Mendaroko Ospitaleari jakinaraztea.\nLaugarrena. Ebazpen honen aurka gora jotzeko errekurtsoa aurkeztu ahal izango zaio Osakidetza-Euskal Osasun Zerbitzuko Administrazio Kontseiluari. Horretarako, hilabeteko epea izango da, ebazpen hau Euskal Herriko Agintaritzaren Aldizkarian argitaratu eta biharamunetik aurrera.\nVitoria-Gasteiz, 2009ko urriaren 14a.\nOsakidetza-Euskal Osasun Zerbitzuko zuzendari nagusia,\nJULIÁN PÉREZ GIL.", "Kapituluan ezarritako baldintzak betetzen dituzten hedabideen gainean egiten diren hobekuntza-azterketak.", "No es objeto de subvención de acuerdo al artículo 3 de la Orden, de 23 de julio de 2008, de la Consejera de Cultura, por la que se regula y convoca el modo de concesión de subvenciones dirigidas a proyectos que tienen por objeto la realización de estudios de mejora en los medios de comunicación en euskera, ya que no cumple los requisitos establecidos en el Capítulo III de la Orden, de 19 de diciembre de 2007, de la Consejera de Cultura, por la que se regula la concesión de subvenciones para el año 2008 para los programas gestionados por la Viceconsejería de Política Lingüística." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4]
