e5-large-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-large		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 조지 샤힌은 안데르센 컨설팅 사업부에서 일했다. 112건의 퇴거를 예방하거나 미연에 방지하여 151,619달러의 피난처 비용과 그들이 실향민이 되었을 때 가족들이 겪는 혼란을 덜어주었다. 안데르센 컨설팅은 여전히 번창하는 사업이다. 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. source_sentence sentences 그 표는 주요 경제 정보를 보여준다. 표는 모집단 밀도를 나타냅니다. 아이들이 야외에서 놀고 있다. 표 3은 배출량 감소가 개인 소비와 국내총생산(GDP)의 다른 구성 요소에 미치는 영향을 비교하기 위해 2010년의 주요 거시경제 데이터를 요약한 것이다. source_sentence sentences 안경을 쓴 나이든 남자가 바닥에 누워 갓난아기와 장난감 소방차를 가지고 놀고 있다. 긴 검은 머리와 초록색 탱크톱을 가진 남자가 손가락을 보고 있다. 안경을 쓴 남자는 원숭이이고 아기 원숭이와 놀고 있다. 안경을 쓴 남자가 바닥에 누워 놀고 있다.	sentence-similarity	name results upskyy/e5-large-korean task dataset metrics type name semantic-similarity Semantic Similarity name type sts dev sts-dev type value name pearson_cosine 0.8710078333363093 Pearson Cosine type value name spearman_cosine 0.8698788475177747 Spearman Cosine type value name pearson_manhattan 0.8598807479137434 Pearson Manhattan type value name spearman_manhattan 0.8682945370063891 Spearman Manhattan type value name pearson_euclidean 0.8596482760879562 Pearson Euclidean type value name spearman_euclidean 0.8679655812613122 Spearman Euclidean type value name pearson_dot 0.8684600033706916 Pearson Dot type value name spearman_dot 0.8668368265035578 Spearman Dot type value name pearson_max 0.8710078333363093 Pearson Max type value name spearman_max 0.8698788475177747 Spearman Max

upskyy/e5-large-korean

This model is korsts and kornli finetuning model from intfloat/multilingual-e5-large. It maps sentences & paragraphs to a 1024-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-large
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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': 1024, '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-large-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, 1024]

# 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-large-korean")
model = AutoModel.from_pretrained("upskyy/e5-large-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	0.871
spearman_cosine	0.8699
pearson_manhattan	0.8599
spearman_manhattan	0.8683
pearson_euclidean	0.8596
spearman_euclidean	0.868
pearson_dot	0.8685
spearman_dot	0.8668
pearson_max	0.871
spearman_max	0.8699

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",
}