File size: 10,868 Bytes
939894c ee70102 939894c ee70102 939894c ee70102 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 | ---
language:
- ru
- en
pipeline_tag: sentence-similarity
tags:
- russian
- pretraining
- embeddings
- feature-extraction
- sentence-similarity
- sentence-transformers
- transformers
datasets:
- IlyaGusev/gazeta
- zloelias/lenta-ru
- HuggingFaceFW/fineweb-2
- HuggingFaceFW/fineweb
license: mit
base_model: sergeyzh/BERTA
---
## BERTA-uncased
Модель для расчетов эмбеддингов предложений на русском и английском языках получена методом дистилляции эмбеддингов [ai-forever/FRIDA](https://huggingface.co/ai-forever/FRIDA) (размер эмбеддингов - 1536, слоёв - 24). Основной режим использования FRIDA - CLS pooling заменен на mean pooling. Дистиляция выполнена с uncased преобразованием текста в максимально возможном объеме - эмбеддинги русских и английских предложений, работа префиксов.
Модель принадлежит к виду uncased - не различает при обработке текста буквы, написанные в верхнем и нижнем регистре (фразы, например, “С Новым Годом!” и “С НОВЫМ ГОДОМ!” кодируются одинаковой последовательностью токенов и имеют равные значения эмбеддингов). Размер эмбеддингов модели - 768, слоёв - 12. Размер контекста модели соответствует FRIDA - 512 токенов.
## Префиксы
Все префиксы унаследованы от FRIDA:
- search_query:
- search_document:
- paraphrase:
- categorize:
- categorize_sentiment:
- categorize_topic:
- categorize_entailment:
# Метрики
Оценки модели на бенчмарке [ruMTEB](https://habr.com/ru/companies/sberdevices/articles/831150/):
|Model Name | Metric | FRIDA |BERTA-uncased| [BERTA](https://huggingface.co/sergeyzh/BERTA) | [rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida) | multilingual-e5-large-instruct | multilingual-e5-large |
|:-------------------------------|:--------------------|----------:|----------:|----------:|--------------------:|---------------------:|----------------------:|
|CEDRClassification | Accuracy | **0.646** | 0.619 | 0.730 | 0.552 | 0.500 | 0.448 |
|GeoreviewClassification | Accuracy | **0.577** | 0.553 | 0.548 | 0.464 | 0.559 | 0.497 |
|GeoreviewClusteringP2P | V-measure | **0.783** | 0.745 | 0.738 | 0.698 | 0.743 | 0.605 |
|HeadlineClassification | Accuracy | 0.890 | 0.889 | **0.891** | 0.880 | 0.862 | 0.758 |
|InappropriatenessClassification | Accuracy | **0.783** | 0.745 | 0.748 | 0.698 | 0.655 | 0.616 |
|KinopoiskClassification | Accuracy | **0.705** | 0.684 | 0.678 | 0.595 | 0.661 | 0.566 |
|RiaNewsRetrieval | NDCG@10 | **0.868** | 0.829 | 0.816 | 0.721 | 0.824 | 0.807 |
|RuBQReranking | MAP@10 | **0.771** | 0.749 | 0.752 | 0.711 | 0.717 | 0.756 |
|RuBQRetrieval | NDCG@10 | 0.724 | 0.710 | 0.710 | 0.654 | 0.692 | **0.741** |
|RuReviewsClassification | Accuracy | **0.751** | 0.724 | 0.723 | 0.658 | 0.686 | 0.653 |
|RuSTSBenchmarkSTS | Pearson correlation | 0.814 | 0.816 | 0.822 | 0.803 | **0.840** | 0.831 |
|RuSciBenchGRNTIClassification | Accuracy | **0.699** | 0.695 | 0.690 | 0.625 | 0.651 | 0.582 |
|RuSciBenchGRNTIClusteringP2P | V-measure | **0.670** | 0.657 | 0.650 | 0.586 | 0.622 | 0.520 |
|RuSciBenchOECDClassification | Accuracy | 0.546 | 0.553 | **0.548** | 0.493 | 0.502 | 0.445 |
|RuSciBenchOECDClusteringP2P | V-measure | **0.566** | 0.557 | 0.556 | 0.507 | 0.528 | 0.450 |
|SensitiveTopicsClassification | Accuracy | 0.398 | **0.404** | 0.399 | 0.373 | 0.323 | 0.257 |
|TERRaClassification | Average Precision | **0.665** | 0.651 | 0.657 | 0.606 | 0.639 | 0.584 |
|Model Name | Metric | FRIDA |BERTA-uncased| [BERTA](https://huggingface.co/sergeyzh/BERTA) | rubert-mini-frida | multilingual-e5-large-instruct | multilingual-e5-large |
|:-------------------------------|:--------------------|----------:|----------:|----------:|--------------------:|----------------------:|---------------------:|
|Classification | Accuracy | **0.707** | 0.699 | 0.697 | 0.631 | 0.654 | 0.588 |
|Clustering | V-measure | **0.673** | 0.653 | 0.648 | 0.597 | 0.631 | 0.525 |
|MultiLabelClassification | Accuracy | **0.522** | 0.512 | 0.565 | 0.463 | 0.412 | 0.353 |
|PairClassification | Average Precision | **0.665** | 0.651 | 0.657 | 0.606 | 0.639 | 0.584 |
|Reranking | MAP@10 | **0.771** | 0.749 | 0.752 | 0.711 | 0.717 | 0.756 |
|Retrieval | NDCG@10 | **0.796** | 0.770 | 0.763 | 0.687 | 0.758 | 0.774 |
|STS | Pearson correlation | 0.814 | 0.816 | 0.822 | 0.803 | **0.840** | 0.831 |
|Average | Average | **0.707** | 0.693 | 0.701 | 0.643 | 0.664 | 0.630 |
## Использование модели с библиотекой `transformers`:
```python
import torch
import torch.nn.functional as F
from transformers import AutoTokenizer, AutoModel
def pool(hidden_state, mask, pooling_method="mean"):
if pooling_method == "mean":
s = torch.sum(hidden_state * mask.unsqueeze(-1).float(), dim=1)
d = mask.sum(axis=1, keepdim=True).float()
return s / d
elif pooling_method == "cls":
return hidden_state[:, 0]
inputs = [
#
"paraphrase: В Ярославской области разрешили работу бань, но без посетителей",
"categorize_entailment: Женщину доставили в больницу, за ее жизнь сейчас борются врачи.",
"search_query: Сколько программистов нужно, чтобы вкрутить лампочку?",
#
"paraphrase: Ярославским баням разрешили работать без посетителей",
"categorize_entailment: Женщину спасают врачи.",
"search_document: Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование."
]
tokenizer = AutoTokenizer.from_pretrained("sergeyzh/BERTA-uncased")
model = AutoModel.from_pretrained("sergeyzh/BERTA-uncased")
tokenized_inputs = tokenizer(inputs, max_length=512, padding=True, truncation=True, return_tensors="pt")
with torch.no_grad():
outputs = model(**tokenized_inputs)
embeddings = pool(
outputs.last_hidden_state,
tokenized_inputs["attention_mask"],
pooling_method="mean"
)
embeddings = F.normalize(embeddings, p=2, dim=1)
sim_scores = embeddings[:3] @ embeddings[3:].T
print(sim_scores.diag().tolist())
# [0.9447306990623474, 0.8616577386856079, 0.7869422435760498]
# [0.9530372023582458, 0.866746723651886, 0.7839133143424988] - BERTA
# [0.9360030293464661, 0.8591322302818298, 0.728583037853241] - FRIDA
```
## Использование с `sentence_transformers` (sentence-transformers>=2.4.0):
```python
from sentence_transformers import SentenceTransformer
# loads model with mean pooling
model = SentenceTransformer("sergeyzh/BERTA-uncased")
paraphrase = model.encode(["В Ярославской области разрешили работу бань, но без посетителей", "Ярославским баням разрешили работать без посетителей"], prompt="paraphrase: ")
print(paraphrase[0] @ paraphrase[1].T)
# 0.9447306
# 0.9530372 - BERTA
# 0.9360032 - FRIDA
categorize_entailment = model.encode(["Женщину доставили в больницу, за ее жизнь сейчас борются врачи.", "Женщину спасают врачи."], prompt="categorize_entailment: ")
print(categorize_entailment[0] @ categorize_entailment[1].T)
# 0.86165774
# 0.8667469
# 0.8591322 - FRIDA
query_embedding = model.encode("Сколько программистов нужно, чтобы вкрутить лампочку?", prompt="search_query: ")
document_embedding = model.encode("Чтобы вкрутить лампочку, требуется три программиста: один напишет программу извлечения лампочки, другой — вкручивания лампочки, а третий проведет тестирование.", prompt="search_document: ")
print(query_embedding @ document_embedding.T)
# 0.78694224
# 0.7839136 - BERTA
# 0.7285831 - FRIDA
```
|