text_classification_pipeline = pipeline(
    model="llm-lecture/bert-base-korean-marc_en”
)
positive_text = “세상에는 말이 통하지 않아도 감동을 주는 음악이 있습니다.” 
# positive_text의 극성예측 
print(text_classification_pipeline(positive_text)[0])

{'label': 'positive', 'score': 0.9993619322776794}

# negative_text의 극성예측
negative_text = “세상에는 말문이 막힐 정도로 끔찍한 음악이 있습니다.” 
print(text_classification_pipeline(negative_text)[0])

{'label': 'negative', 'score': 0.9636247754096985}

nli_pipeline = pipeline(model=“llm-lecture/bert-base-korean-v1”) 
text = “두 사람이 제트기를 보고 있습니다.”
entailment_text = “두 사람이 제트기를 보고 있습니다.”

# text와 entailment_text의 논리적 관계 예측 
print(nli_pipeline({“text”: text, “text_pair”: entailment_text}))

{'label': 'entailment', 'score': 0.9964311122894287}

contradiction_text = “두 남자가 날고 있습니다”
# text와 contradiction_text의 논리적 관계예측 
print(nli_pipeline({“text”: text, “text_pair”: contradiction_text}))

{'label': 'contradiction', 'score': 0.9990535378456116}

neutral_text = “두 남자가 하얀색 비행기를 바라보고 있습니다.”
# text와 neutral_text의 논리적 관계 예측 
print(nli_pipeline({“text”: text, “text_pair”: neutral_text}))

{'label': 'neutral', 'score': 0.9959145188331604}

text_sim_pipeline = pipeline(
    model=“llm-lecture/bert-base-korean-v1”,
    function_to_apply=“none”,
)
text = “강변에 서핑보드를 들고 있는 사람들이 있습니다.”
sim_text = “서퍼들이 강둑에 서 있습니다.”
# text와 sim_text의 유사도 계산
result = text_sim_pipeline({“text”: text, “text_pair”: sim_text}) 
print(result[“score”])

3.5703558921813965

dissim_text = “화장실 벽에 검은색 수건이 걸려있습니다.”
# text와 dissim_text의 유사도를 계산함
result = text_sim_pipeline({“text”: text, “text_pair”: dissim_text}) 
print(result[“score”])

0.04162175580859184

from torch.nn.functional import cosine_similarity

sim_enc_pipeline = pipeline(
    model=“llm-book/bert-base-korean-v1-unsup-simcse”,
    task=“feature-extraction”,
)
# text 및 sim_text의 백터 가져오기
text_emb = sim_enc_pipeline(text, return_tensors=True)[0][0] 
sim_emb = sim_enc_pipeline(sim_text, return_tensors=True)[0][0]
# text 및 sim_text의 유사도 계산
sim_pair_score = 코사인_유사도(text_emb, sim_emb, dim=0) 
print(sim_pair_score.item())

0.8568589687347412

# dissim_text 벡터 가져오기 
dissim_emb = sim_enc_pipeline(dissim_text, return_tensors=True)[0][0] # text와 dissim_text의 유사도 계산함 
dissim_pair_score = cosine_similarity(text_emb, dissim_emb, dim=0) 
print(dissim_pair_score.item())

0.45887047052383423