Views
No views yet
Date, Release Date, Type, Text) transformé en jeux d’exemples variés pour entraîner le modèle.1cd /Users/simon-pierreboucher/Desktop/full
2
3 2. Créer un environnement virtuel
4
5python3 -m venv venv
6source venv/bin/activate
7
8 3. Installer les dépendances
9
10pip install -r requirements.txt
11
12Dépendances principales :
13 • sentence-transformers
14 • torch
15 • datasets
16 • accelerate
17 • pandas
18 • numpy
19
20
21📊 Résultats
22 • Nombre de documents traités : 451
23 • Nombre d’exemples générés : 4,434
24 • Nombre d’époques : 5
25 • Temps d’entraînement : ~4 minutes (CPU)
26 • Loss : CosineSimilarityLoss
27
28Améliorations moyennes :
29 • +2.8% en similarité moyenne
30 • +14.4% sur les meilleures paires
31
32Exemples de gains par requête :
33 • “employment unemployment labor market conditions trends” → +13.91%
34 • “interest rates federal funds rate policy changes” → +12.13%
35 • “quantitative easing asset purchases balance sheet” → +11.50%
36
37⸻
38
39📦 Utilisation du modèle fine-tuné
40
41Une fois entraîné, le modèle est disponible dans ./finetuned_model_enhanced_5epochs.
42
43Exemple d’utilisation en Python :
44
45from sentence_transformers import SentenceTransformer, util
46
47# Charger le modèle fine-tuné
48model = SentenceTransformer("./finetuned_model_enhanced_5epochs")
49
50# Exemple de requêtes
51query1 = "federal reserve monetary policy committee decisions"
52query2 = "interest rates federal funds rate policy changes"
53
54emb1 = model.encode(query1, convert_to_tensor=True)
55emb2 = model.encode(query2, convert_to_tensor=True)
56
57similarity = util.pytorch_cos_sim(emb1, emb2)
58print(f"Similarity: {similarity.item():.4f}")
59
60
61
62📌 Remarques
63 • Assurez-vous que le fichier communications.txt est présent dans le dossier.
64 • Si vous avez un fichier JSON à la place, adaptez la fonction de chargement.
65 • Vous pouvez augmenter les époques ou changer la loss (MultipleNegativesRankingLoss, TripletLoss, etc.) pour tester d’autres performances.
66