sentence-transformers How to use SMARTICT/multilingual-e5-large-wiki-tr-rag with sentence-transformers:
from sentence_transformers import SentenceTransformer
model = SentenceTransformer("SMARTICT/multilingual-e5-large-wiki-tr-rag")
sentences = [
"passage: Toksiklik, toksisite, zehirlilik veya ağılılık bir kimyasal maddenin veya belirli bir madde karışımının bir organizmaya zarar verme derecesidir. Toksisite, bir hayvan, bakteri veya bitki gibi tüm organizma üzerindeki etkinin yanı sıra, o organizmanın bir hücresi (sitotoksisite) veya karaciğer gibi bir organı (hepatotoksisite) gibi bir alt yapısı üzerindeki etkiyi ifade edebilir. Yan anlam olarak, kelime, aile birimi veya genel olarak toplum gibi daha büyük ve daha karmaşık gruplar üzerindeki toksik etkileri tanımlamak için mecazi olarak kullanılabilir.\nToksikolojinin temel bir konsepti, bir toksik maddenin etkilerinin doza bağımlı olmasıdır; su bile çok yüksek dozda alındığında su zehirlenmesine neden olabilir, oysa yılan zehiri gibi çok zehirli bir madde için bile altında hiçbir toksik etkinin olmadığı bir doz vardır. Toksisite türe özgüdür ve türler arası analizi sorunlu hale getirir. Daha yeni paradigmalar ve metrikler, hayvan testlerini atlamak için gelişiyor.\nYuvarlama, bir sayıyı daha kısa ve basit olan en yakın sayıyla değiştirmektir. 23,4476 doları $23,45 dolar ile, 312/937 kesrini 1/3 ile veya π sayısını 3 ile değiştirmek örnek olarak verilebilir. Yuvarlama günlük hayatta daha doğru değer elde etmektense işlemleri hızlandırmak için kullanılır. Eğer sayı buçukluysa hem daha büyük sayıya hem de daha küçük sayıya yuvarlanabilir. Örneğin 1,5 sayısı hem 1'e hem de 2'ye yuvarlanabilmektedir. Bu yuvarlamalar basamak sayısına göre değişiklik göstermektedir. Bunlar birler, onlar, yüzler... olarak devam eder.",
"query: Kolhoz sisteminde üyelerin gelirleri nasıl belirlenirdi ve bu sistemin avantajları ve dezavantajları nelerdi?",
"query: Toksisite neden türe özgüdür ve bu durum neden türler arası analizleri zorlaştırır?",
"query: DICOM standardının anlaşılması ve uygulanması neden uzmanlık gerektiriyor?"
]
embeddings = model.encode(sentences)
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [4, 4] 
