intai2070/tooka-sbert-large-v2-legal-names-bi-encoder

🧩 مدل Bi-Encoder مبتنی بر مدل پایه PartAI/Tooka-SBERT-V2-Large برای شباهت سنجی اسامی شرکت ها

این مدل یک Sentence Transformer است که از پایه‌ی PartAI/Tooka-SBERT-V2-Large گرفته شده و بر روی دیتاست legal-names-bi-encoder-dataset با استفاده از کتابخانه‌ی Sentence Transformers آموزش داده شده است. مدل برای محاسبه‌ی شباهت معنایی میان جملات و پاراگراف‌ها طراحی شده و خروجی آن یک بردار متراکم 1024بعدی است که می‌تواند در وظایفی مانند semantic search، paraphrase mining، text classification و clustering استفاده شود. برخلاف CrossEncoder که هر دو متن را همزمان پردازش می‌کند، این مدل از خانواده‌ی Bi-Encoder است؛ یعنی هر متن جداگانه به بردار تبدیل می‌شود و سپس شباهت میان بردارها با معیارهایی مثل Cosine Similarity محاسبه می‌گردد. این روش سرعت بالاتری دارد و برای جستجو و مقیاس‌های بزرگ بسیار کارآمد است.

---

📌 جزئیات مدل

• نوع مدل: Sentence Transformer (Bi-Encoder)
• مدل پایه: PartAI/Tooka-SBERT-V2-Large
• حداکثر طول توالی: 512 توکن
• ابعاد خروجی: 1024 بعد
• تابع شباهت: Cosine Similarity
• زبان: فارسی
• دیتاست آموزشی: legal-names-bi-encoder-dataset

---

🚀 نحوه نصب و استفاده

pip install -U sentence-transformers

from sentence_transformers import SentenceTransformer

model = SentenceTransformer("IRI2070/tooka-sbert-large-v2-legal-names-bi-encoder")

sentences = [
    'دبیرستان معلم پارسیان',
    'دبیرستان معلم پارسیان‌ها',
    'دبیرستان فرهنگ و معلم',
]

embeddings = model.encode(sentences)
print(embeddings)

# محاسبه شباهت میان جملات
from sentence_transformers.util import cos_sim
similarities = cos_sim(embeddings, embeddings)
print(similarities)

---

📊 ارزیابی مدل

مدل بر روی مجموعه‌های validation و test دیتاست مورد اشاره ارزیابی شده است.

معیار	validation	test
cosine_accuracy	0.9977	0.9987

امتیاز Cosine Accuracy نشان‌دهنده‌ی توانایی مدل در تشخیص شباهت معنایی میان جملات است. مقادیر نزدیک به 1 بیانگر عملکرد بسیار دقیق مدل در این وظیفه هستند.

---

📂 دیتاست آموزشی

• حجم: 272,462 نمونه آموزشی
• ویژگی‌ها:
  • ستون‌ها: anchor، positive، negative
  • میانگین طول نمونه‌ها: حدود 6–7 توکن
  • نمونه‌ها شامل نام‌های حقوقی و سازمانی برای اعتبارسنجی و تشخیص شباهت معنایی هستند.
• Loss Function: MultipleNegativesRankingLoss با پارامترهای:
  • scale = 20.0
  • similarity_fct = cos_sim

---

⚙️ هایپرپارامترهای آموزش

• batch_size: 100
• learning_rate: 2e-5
• num_train_epochs: 1
• warmup_ratio: 0.1
• bf16: True

---

🙌 تشکر

این پروژه بخشی از فعالیت‌های آموزشی و پژوهشی در آکادمی همراه اول است و با هدف ارتقای دانش در حوزه‌ی NLP و یادگیری عمیق منتشر شده است.