e5-base-korean/README.md

language, license, library_name, tags, base_model, datasets, metrics, widget, pipeline_tag, model-index

language	license	library_name	tags	base_model	datasets	metrics	widget	pipeline_tag	model-index
multilingual af am ar as az be bg bn br bs ca cs cy da de el en eo es et eu fa fi fr fy ga gd gl gu ha he hi hr hu hy id is it ja jv ka kk km kn ko ku ky la lo lt lv mg mk ml mn mr ms my ne nl no om or pa pl ps pt ro ru sa sd si sk sl so sq sr su sv sw ta te th tl tr ug uk ur uz vi xh yi zh	mit	sentence-transformers	korean sentence-transformers transformers multilingual sentence-transformers sentence-similarity feature-extraction	intfloat/multilingual-e5-base		pearson_cosine spearman_cosine pearson_manhattan spearman_manhattan pearson_euclidean spearman_euclidean pearson_dot spearman_dot pearson_max spearman_max	source_sentence sentences 이집트 군대가 형제애를 단속하다 이집트의 군대가 무슬림 형제애를 단속하다 아르헨티나의 기예르모 코리아와 네덜란드의 마틴 버커크의 또 다른 준결승전도 매력적이다. 그것이 사실일 수도 있다고 생각하는 것은 재미있다. source_sentence sentences 오, 그리고 다시 결혼은 근본적인 인권이라고 주장한다. 특히 결혼은 근본적인 인권이라고 말한 후에. 해변에 있는 흑인과 그의 개... 이란은 핵 프로그램이 평화적인 목적을 위한 것이라고 주장한다 source_sentence sentences 담배 피우는 여자. 이것은 내가 영국의 아서 안데르센 사업부의 파트너인 짐 와디아를 아서 안데르센 경영진이 선택한 것보다 래리 웨인바흐를 안데르센 월드와이드의 경영 파트너로 승계하기 위해 안데르센 컨설팅 사업부(현재의 엑센츄어라고 알려져 있음)의 전 관리 파트너인 조지 샤힌에 대한 지지를 표명했을 때 가장 명백했다. 한 여자가 물 한 잔을 마시고 있다. 한 여성이 담배를 피우면서 청구서를 지불하는 것을 압도했다. source_sentence sentences 루이 15세의 소수 민족인 프랑스의 리젠트인 필리프 도를레앙 시대에는 악명 높은 오르가즘의 현장이었다. 필립 도린스는 루이 15세가 70대였을 때 섭정이었다. 행복한 어린 소년이 커다란 엘모 인형이 있는 의자에 앉아 있다. 필리프 도를레앙 시대에는 그곳에서 많은 유명한 오르가즘이 일어났다. source_sentence sentences 두 남자가 안에서 일하고 있다 국립공원에서 가장 큰 마을인 케스윅의 인구는 매년 여름 등산객, 뱃사람, 관광객이 도착함에 따라 증가한다. 두 남자가 축구 경기를 보고 간식을 먹는다. 두 남자가 집에 타일을 깔았다.	sentence-similarity	name results upskyy/e5-base-korean task dataset metrics type name semantic-similarity Semantic Similarity name type sts dev sts-dev type value name pearson_cosine 0.8593935914692068 Pearson Cosine type value name spearman_cosine 0.8572594228080116 Spearman Cosine type value name pearson_manhattan 0.8217336375412545 Pearson Manhattan type value name spearman_manhattan 0.8280050978871264 Spearman Manhattan type value name pearson_euclidean 0.8208931119126335 Pearson Euclidean type value name spearman_euclidean 0.8277058727421436 Spearman Euclidean type value name pearson_dot 0.8187961699085111 Pearson Dot type value name spearman_dot 0.8236175658758088 Spearman Dot type value name pearson_max 0.8593935914692068 Pearson Max type value name spearman_max 0.8572594228080116 Spearman Max

upskyy/e5-base-korean

This model is korsts and kornli finetuning model from intfloat/multilingual-e5-base. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: intfloat/multilingual-e5-base
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
)

Usage

Usage (Sentence-Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("upskyy/e5-base-korean")

# Run inference
sentences = [
    '아이를 가진 엄마가 해변을 걷는다.',
    '두 사람이 해변을 걷는다.',
    '한 남자가 해변에서 개를 산책시킨다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Usage (HuggingFace Transformers)

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, AutoModel
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 = ["안녕하세요?", "한국어 문장 임베딩을 위한 버트 모델입니다."]

# Load model from HuggingFace Hub
tokenizer = AutoTokenizer.from_pretrained("upskyy/e5-base-korean")
model = AutoModel.from_pretrained("upskyy/e5-base-korean")

# 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)

Evaluation

Metrics

Semantic Similarity

• Dataset: sts-dev
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8594
spearman_cosine	0.8573
pearson_manhattan	0.8217
spearman_manhattan	0.828
pearson_euclidean	0.8209
spearman_euclidean	0.8277
pearson_dot	0.8188
spearman_dot	0.8236
pearson_max	0.8594
spearman_max	0.8573

Framework Versions

• Python: 3.10.13
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.0+cu121
• Accelerate: 0.30.1
• Datasets: 2.16.1
• Tokenizers: 0.19.1

Citation

BibTeX

@article{wang2024multilingual,
  title={Multilingual E5 Text Embeddings: A Technical Report},
  author={Wang, Liang and Yang, Nan and Huang, Xiaolong and Yang, Linjun and Majumder, Rangan and Wei, Furu},
  journal={arXiv preprint arXiv:2402.05672},
  year={2024}
}

@inproceedings{reimers-2019-sentence-bert,
    title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
    author = "Reimers, Nils and Gurevych, Iryna",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
    month = "11",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://arxiv.org/abs/1908.10084",
}