Sentence Similarity
sentence-transformers
PyTorch
Safetensors
Transformers
Russian
bert
pretraining
russian
fill-mask
embeddings
masked-lm
tiny
feature-extraction
text-embeddings-inference
Instructions to use cointegrated/rubert-tiny2 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use cointegrated/rubert-tiny2 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("cointegrated/rubert-tiny2") sentences = [ "The weather is lovely today.", "It's so sunny outside!", "He drove to the stadium." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] - Transformers
How to use cointegrated/rubert-tiny2 with Transformers:
# Load model directly from transformers import AutoTokenizer, AutoModelForPreTraining tokenizer = AutoTokenizer.from_pretrained("cointegrated/rubert-tiny2") model = AutoModelForPreTraining.from_pretrained("cointegrated/rubert-tiny2") - Inference
- Notebooks
- Google Colab
- Kaggle
Файнтюнинг на задачу churn prediction на базе последовательностей действий клиентов
#4
by isken-human - opened
Здравствуйте.
Хотел задать следующий вопрос: имеет ли смысл файнтюнить вашу модель на данных следующего типа:
[дата операции, категория операции, подкатегория операции, объем..], то есть по сути по каждому клиенту собраны последовательности их действий, чтобы впоследствии предсказывать отток клиента?
Благодарю заранее за ответ.
Добрый день! Эта модель никак не адаптировалась для работы с числами и датами, поэтому понятия не имею, будет ли она делать адекватные предсказания на таких данных.
isken-human changed discussion status to closed