83 lines
2.9 KiB
Python
83 lines
2.9 KiB
Python
"""
|
||
ایجاد بردار جملات - امبدینگ
|
||
"""
|
||
from sentence_transformers import SentenceTransformer
|
||
import json
|
||
import datetime
|
||
import numpy as np
|
||
from elastic_helper import ElasticHelper
|
||
|
||
date = datetime.datetime.now()
|
||
today = f'{date.year}-{date.month}-{date.day}-{date.hour}'
|
||
|
||
model_name = 'sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2'#89-25
|
||
# model_name = 'sentence-transformers/paraphrase-multilingual-mpnet-base-v2'#87-30
|
||
# model_name = 'sharif-dal/dal-bert'#90-41
|
||
# model_name = 'lifeweb-ai/shiraz'#97-67
|
||
# model_name = 'BAAI/bge-m3'#90-35
|
||
# model_name = 'jinaai/jina-embeddings-v3'#??
|
||
# model_name = 'jinaai/jina-embeddings-v4'#??
|
||
# model_name = 'HooshvareLab/bert-base-parsbert-uncased'#90-54
|
||
model = SentenceTransformer(model_name)
|
||
|
||
def get_sections():
|
||
"""
|
||
دریافت کل سکشن های قانونی در مسیر مشخص شده
|
||
"""
|
||
sections_path = "/home/gpu/data_11/14040423/mj_qa_section.zip"
|
||
eh_obj = ElasticHelper()
|
||
sections = eh_obj.iterateJsonFile(sections_path, True)
|
||
sections = convert_to_dict(sections)
|
||
return sections
|
||
|
||
def convert_to_dict(sections):
|
||
"""
|
||
تبدیل لیست سکشن های قانون به دیکشنری
|
||
"""
|
||
sections_dict = {}
|
||
for item in sections:
|
||
id = item['id']
|
||
source = item['source']
|
||
sections_dict[id] = source
|
||
|
||
return sections_dict
|
||
|
||
def do_word_embedder(sections):
|
||
"""
|
||
لیستی از آبجکت سکشن های قانون را دریافت می کند و متن سکشن ها را تبدیل به بردار می کند و در نهایت لیست سکشن ها که امبدینگ هم به آنها اضافه شده را در مسیر مشخص شده در همین متد، ذخیره می کند
|
||
"""
|
||
for index, id in enumerate(sections):
|
||
embeddings = single_section_embedder(sections[id]['content'])
|
||
sections[id]['embeddings'] = embeddings.tolist()
|
||
|
||
with open(f'./data/embeddings/sections_embeddings_{today}.json', 'w', encoding='utf-8') as output_file:
|
||
data = json.dumps(sections, ensure_ascii=False)
|
||
output_file.write(data)
|
||
|
||
return sections
|
||
|
||
def single_section_embedder(sentence):
|
||
"""
|
||
این متد، متن ورودی را تبدیل به بردار متناظر آن می کند
|
||
|
||
**Args:
|
||
sentence (str): متن یک سکشن
|
||
|
||
**Returns:
|
||
embeddings: لیست بردار متناظر با متن ورودی
|
||
"""
|
||
embeddings = model.encode(sentence)
|
||
return embeddings
|
||
|
||
def cosine_similarity(vec1, vec2):
|
||
dot_product = np.dot(vec1, vec2) # ضرب داخلی دو بردار
|
||
norm_vec1 = np.linalg.norm(vec1) # نُرم بردار اول
|
||
norm_vec2 = np.linalg.norm(vec2) # نُرم بردار دوم
|
||
return dot_product / (norm_vec1 * norm_vec2)
|
||
|
||
if __name__ == '__main__':
|
||
|
||
sections = get_sections()
|
||
|
||
# محاسبه امبدینگ سکشن ها و ذخیره نتایج
|
||
do_word_embedder(sections) |