Быстрая модель BERT для тематической классификации/кластеризации текстов. Модель получена дистилляцией эмбеддингов русских и английских текстов
BERTA в
rubert-tiny-lite. Качество работы на английских текстах не проверялось.
Основные характеристики модели: размер ембеддинга - 256, длина контекста - 512, слоёв - 3.
1from sentence_transformers import SentenceTransformer
2
3model = SentenceTransformer('sergeyzh/rubert-tiny-topic')
4
5sentences = ["привет мир", "hello world", "здравствуй вселенная"]
6embeddings = model.encode(sentences)
7
8print(model.similarity(embeddings, embeddings))
1from sentence_transformers import SentenceTransformer, util
2from datasets import load_dataset
3
4dataset = load_dataset("ai-forever/rubq-reranking", split="test")[:100]
5phrases = [s[0] for s in dataset['positive']]
6
7model = SentenceTransformer('sergeyzh/rubert-tiny-topic', device='cpu')
8embeddings = model.encode(phrases, convert_to_tensor=True, show_progress_bar=True)
9
10community = util.community_detection(embeddings, threshold = 0.75, min_community_size = 3, batch_size = 1024, show_progress_bar = True)
11
12for id, ind_list in enumerate(community):
13 for i in ind_list:
14 print(id, '#', phrases[i][:100], '...')
15 print('-' * 100)
16
17# 0 # Геркуле́совы столбы́ (лат. Columnae Herculis) — название, использовавшееся в Античности для обозначе ...
18# 0 # Кана́рские острова́ (исп. Las Islas Canarias) — архипелаг из семи островов вулканического происхожде ...
19# 0 # Большой каньон (Великий каньон, Гранд-Каньон; англ. Grand Canyon) — один из глубочайших каньонов в м ...
20# 0 # Вершина находится в Гималаях в хребте Махалангур-Химал, по которому проходит граница Непала и Тибетс ...
21# 0 # Пирене́йский полуо́стров (также Ибери́йский; исп. , порт. , галис. , астур. península Ibérica, баск. ...
22# 0 # Афо́н (греч. Άθως, в греческих источниках официально именуется Святая Гора, греч. Άγιο Όρος, «А́гио ...
23# 0 # Каледония (лат. Caledonia) — древнее название северной части острова Великобритания, к северу от вал ...
24# ----------------------------------------------------------------------------------------------------
25# 1 # Нью-Йорк (англ. New York, произносится /nuː ˈjɔrk/, аббр. NY) — штат на северо-востоке США, на Атлан ...
26# 1 # Сент-Пи́терсберг (местное название St. Pete — Сент-Пит) — город в округе Пинелас штата Флорида, попу ...
27# 1 # Площадь территории Нигерии составляет 923 768 км2: по этому показателю страна занимает 14-е место в ...
28# 1 # Тегусига́льпа (исп. Tegucigalpa) — столица (с 1880) и крупнейший город Гондураса. Население — 1 682 ...
29# 1 # Брянск — город в России, административный центр Брянской области; город областного значения, образуе ...
30# ----------------------------------------------------------------------------------------------------
31# 2 # Первая попытка исторического повествования в русской литературе встречается в повести Н. М. Карамзин ...
32# 2 # «Па́рус» («Белеет парус одинокой…») — стихотворение, написанное 18-летним Михаилом Лермонтовым в Пет ...
33# 2 # В противоположность героическим эпопеям Гомера и средневековым эпопеям, а также поэме Данте, «Потеря ...
34# 2 # «Чёрный человек» — поэма Сергея Есенина. Впервые опубликована в № 1 журнала «Новый мир» за январь 19 ...
35# 2 # Охватывая широкие временные рамки (включая период Франции с 1815 до 1832 года и жестоко подавленное ...
36# ----------------------------------------------------------------------------------------------------
37# 3 # Танец с саблями — музыкальное произведение Арама Хачатуряна, написанное для последнего действия бале ...
38# 3 # 1938 — «Ромео и Джульетта» — балет на музыку С. С. ПрокофьеваМюзикл «West Side Story» (мировая премь ...
39# 3 # Музыкальный ряд фильма, состоящий из симфонической и хоровой музыки, представляет собой полноценное ...
40# 3 # В 1796 году Бетховен начинает терять слух. У него развивается тиннитус — воспаление внутреннего уха, ...
41# ----------------------------------------------------------------------------------------------------
42# 4 # «Хижина дяди Тома» (англ. Uncle Tom's Cabin) — роман Гарриет Бичер-Стоу 1852 года, направленный прот ...
43# 4 # «Спартак» (итал. Spartaco) — исторический роман итальянского писателя Рафаэлло Джованьоли, написанны ...
44# 4 # «Карлик Нос» (нем. Der Zwerg Nase) — одна из самых известных сказок немецкого писателя Вильгельма Га ...
45# ----------------------------------------------------------------------------------------------------
46# 5 # Зимний дворец (в 1918—1943 годах — Дворец Искусств) — главный императорский дворец России, расположе ...
47# 5 # Современное здание собора является четвёртым петербургским храмом в честь Исаакия Далматского, возве ...
48# 5 # Генуэ́зская кре́пость — средневековые укрепления в городе Феодосия (Крым), построенные Генуэзской ре ...
49# ----------------------------------------------------------------------------------------------------
50# 6 # Лимпо́по (в верхнем течении Кро́кодайл) — река в Южной Африке на территории ЮАР, Ботсваны, Зимбабве ...
51# 6 # Уссу́ри (кит. 乌苏里江 — Усулицзян; маньчж. — «чёрная как сажа») — река в Приморском и Хабаровском краях ...
52# 6 # Находится на правом берегу Волгоградского водохранилища реки Волги напротив устья реки Саратовки и г ...
53# ----------------------------------------------------------------------------------------------------
Оценки модели на задачах тематической классификации/кластеризации
MTEB:
