Update README.md

160552a verified about 1 month ago

23.2 kB

	---
	base_model: aubmindlab/bert-base-arabertv02
	language:
	- ar
	library_name: sentence-transformers
	license: apache-2.0
	pipeline_tag: sentence-similarity
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:550000
	- loss:Matryoshka2dLoss
	- loss:MatryoshkaLoss
	- loss:MultipleNegativesRankingLoss
	widget:
	- source_sentence: كم التبن لإطعام الحصان
	sentences:
	- يجب أن يشرب الماعز الصغير من أمه لمدة 8 أسابيع على الأقل قبل أن يتم فطامه لإكمال
	التبن أو المرعى. سيأخذ بعض أصحاب الماعز الأطفال بعيدًا عن الأم على الفور ويغذون
	بالزجاجة. سيحتفظون بها في أماكن منفصلة ، ويحلبون الأم ، ثم يسكبون الحليب في زجاجة
	ويطعمون الطفل.
	- التوزيع الطبيعي القياسي. التوزيع الطبيعي القياسي هو التوزيع الطبيعي بمتوسط 0
	وانحراف معياري 1. يمكن العثور على المناطق الواقعة تحت هذا المنحنى باستخدام جدول
	عادي قياسي (الجدول A في كتب Moore and Moore & McCabe المدرسية). تتضمن جميع نصوص
	الإحصائيات التمهيدية هذا الجدول. قم بتنسيقه بشكل مختلف. التوزيع العادي القياسي.
	التوزيع الطبيعي القياسي هو التوزيع الطبيعي بمتوسط 0 وانحراف معياري 1. يمكن العثور
	على المناطق الواقعة تحت هذا المنحنى باستخدام جدول عادي قياسي (الجدول A في كتب
	Moore and Moore & McCabe).
	- إذا افترض المالكون أن 20 في المائة من التبن سوف يضيع ، فإن الحصان الذي يبلغ وزنه
	1000 رطل في المتوسط سيتطلب 24 رطلاً من التبن يوميًا (20 رطلاً لتلبية التوصيات
	بالإضافة إلى 4 أرطال إضافية لحساب النفايات). تغير درجات الحرارة الباردة أيضًا
	متطلبات التغذية اليومية.
	- source_sentence: من هم المتجولون rathkeale
	sentences:
	- جواب سريع. يظل السلمون النيئ المبرد طازجًا لمدة يوم إلى يومين. سمك السلمون المطبوخ
	في الثلاجة آمن للأكل لمدة ثلاثة إلى أربعة أيام. توصي وزارة الزراعة الأمريكية بضبط
	درجة حرارة الثلاجة على 40 درجة فهرنهايت أو أقل للحفاظ على سلامة الغذاء. أكمل القراءة.
	- Rathkeale Rovers هو اسم غير رسمي يطلق على مجموعة من المجرمين ، مقرها في أيرلندا
	ولكنها تعمل على المستوى الدولي. إنهم جميعًا أعضاء في مجتمع السفر الأيرلندي ، ويستخدمون
	أعمال المسافر التقليدية مثل وضع مدرج المطار أو تجديد المنزل كغطاء للأنشطة غير
	القانونية. ويشتهرون بكونهم أحد أغنى الأشخاص تنظيماً في العالم مجموعات الجريمة.
	تشمل الجرائم المزعومة غسيل الأموال وتهريب المخدرات وسرقة الأعمال الفنية ، وجميعهم
	أعضاء في مجتمع السفر الأيرلندي ، ويستخدمون أعمال المسافر التقليدية مثل وضع مدرج
	المطار أو تجديد المنزل كغطاء للأنشطة غير القانونية. تشتهر بكونها واحدة من أغنى
	مجموعات الجريمة المنظمة في العالم. تشمل الجرائم المزعومة غسل الأموال وتهريب المخدرات
	وسرقة الأعمال الفنية.
	- سام ألارديس ، مدرب سندرلاند ، كان مسؤولاً أيضًا عن وست هام يونايتد وبلاكبيرن روفرز
	ونيوكاسل يونايتد وبولتون واندرارز في الدوري الإنجليزي الممتاز ، وتولى روبرتو مانشيني
	منصب مدير مانشستر سيتي في عام 2009 ، وهو أول دور له في كرة القدم الإنجليزية. تولى
	تدريب بولتون واندرارز ونيوكاسل يونايتد وبلاكبيرن روفرز ووست هام وسندرلاند. أدار
	خمسة مدربين أربعة أندية مختلفة في الدوري الإنجليزي الممتاز. تولى رون أتكينسون
	تدريب أستون فيلا وكوفنتري سيتي وشيفيلد وينزداي ، ولفترة وجيزة ، نوتنجهام فورست.
	- source_sentence: ما هي الأضرار اللاحقة
	sentences:
	- 'سيارات فيراري: القصة. شركة سيارات فيراري هي شركة تصنيع مقرها في مارانيلو ، إيطاليا.
	تأسست الشركة في عام 1929 على يد إنزو فيراري ، وكانت تُعرف في الأصل باسم سكوديريا
	فيراري. صنعت سكوديريا فيراري لأول مرة سيارات السباق ، لكنها بدأت في النهاية في
	إنتاج سيارات الشوارع التي تعمل بشكل قانوني بدءًا من عام 1947. تعد شركة Ferrari
	S.p.A حاليًا واحدة من أنجح شركات تصنيع السيارات الرياضية في العالم.'
	- 'وبطريقة أخرى ، فإن الأضرار التبعية هي نوع الأضرار التي لا يتوقعها الشخص العاقل
	والعادي والحصيف ما لم يخبرهم أحدهم أن تلك الأضرار ممكنة. في قرار مستشفى رونوك
	، قرر القضاة: كانت تكاليف الفائدة المرتفعة على قرض البناء بمثابة أضرار تبعية.'
	- '"بيتر: أعتقد أن ""الأضرار التبعية"" هي تسمية تُطبق على الأضرار التي يمكن استردادها
	، في غياب أحكام العقد التي تتعارض مع ذلك. ولكن الأهم من ذلك ، فإن الحالة التي
	تشير إليها قد تبدو درسًا موضوعيًا في عدم الاعتماد على المصطلحات القانونية وبدلاً
	من ذلك استخدام وسائل أخرى أكثر وضوحًا للحد من الأضرار."'
	- source_sentence: متوسط سعر الفائدة للمنازل المصنعة
	sentences:
	- للقيام بذلك ، نظر HSH في بيانات الربع الرابع من الرابطة الوطنية للوسطاء العقاريين
	لمتوسط أسعار المنازل و HSH.com في الربع الرابع متوسط سعر الفائدة للرهون العقارية
	ذات السعر الثابت لمدة 30 عامًا لتحديد مقدار الأموال التي يحتاجها مشترو المنازل
	لكسبها من أجل تحمل المبلغ الأساسي ودفع الفائدة فقط على منزل متوسط السعر في السوق.
	- '"جورج هاميلتون في بالم بيتش عام 2013. لم يكن الكولونيل ساندرز بهذا الاسمرار من
	قبل. في إعلان تجاري جديد يصنع جولات على YouTube لليوم الوطني للدجاج المقلي ، يلعب
	بالم بيتش جورج هاميلتون دور ""العقيد المقرمش الإضافي ،"" ¢ â واحد من عدة إعلانات
	عبر الإنترنت قام الممثل بوليفاردير بعملها لسلسلة الدجاج هذا الصيف."'
	- قدر مكتب الحماية المالية للمستهلك معدل الفائدة النموذجي لقرض شراء منزل مصنّع في
	عام 2012 بنسبة 6.79٪. على النقيض من ذلك ، كان متوسط معدل الفائدة الثابت لمدة
	30 عامًا على الرهن العقاري التقليدي في ذلك العام من 3.6 إلى 4.2 في المائة ، وفقًا
	لموقع HSH.com ، ناشر معلومات القروض.
	- source_sentence: لماذا رائحة الغسيل بعد الغسيل
	sentences:
	- 'كيفية التخلص من الرائحة: إذا تم اكتشافها على الفور ، فعادة ما يكون غسل الملابس
	مرة أخرى هو كل ما يلزم لإزالة الروائح الكريهة. إذا لم ينجح ذلك وما زلت تواجه مشاكل
	، جرب إحدى الطرق التالية: اغسل مرة أخرى ولكن هذه المرة أضف كوبًا واحدًا من الخل
	إلى الحمولة (جنبًا إلى جنب مع منظف الغسيل).'
	- Honorificabilitudinitatibus هي كلمة مكونة من 27 حرفًا ، وتعني بصيغة الجمع أن تكون
	في حالة القدرة على الحصول على مرتبة الشرف. تصادف أن تكون الكلمة أطول كلمة استخدمها
	شكسبير على الإطلاق ، لكن جذورها تعود إلى قرون قبل عصره إلى القرن الحادي عشر على
	الأقل.
	- حافظ على ملابسك منتعشة وجافة بالمجفف الكهربائي من سيرز. عندما يدور يوم الغسيل
	، يمكنك الاعتماد على الأداء الفعال للمجفف الكهربائي. يحتوي سيرز على مجففات تناسب
	ديكور أي غرفة غسيل. من الفولاذ المقاوم للصدأ إلى تشطيبات الأونيكس ، يسهل تنسيق
	هذا الجهاز الأنيق مع الغسالة التي تختارها.
	---

	# BERT base trained on 500k Arabic NLI triplets

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02).
	It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search,
	paraphrase mining, text classification, clustering, and more.
	Most of the contents of this card are auto-generated. The dataset used was normalized before training, so it is recommended to normalize your queries and documents:
	```python
	from unicodedata import normalize
	query_n = normalize('NFKC', query)
	```

	## Model Details

	### Model Description
	- Model Type: Sentence Transformer
	- Base model: [aubmindlab/bert-base-arabertv02](https://huggingface.co/aubmindlab/bert-base-arabertv02) <!-- at revision 016fb9d6768f522a59c6e0d2d5d5d43a4e1bff60 -->
	- Maximum Sequence Length: 512 tokens
	- Output Dimensionality: 768 tokens
	- Similarity Function: Cosine Similarity
	<!-- - Training Dataset: Unknown -->
	- Language: ar
	- License: apache-2.0

	### Model Sources

	- Documentation: [Sentence Transformers Documentation](https://sbert.net)
	- Repository: [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
	- Hugging Face: [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)

	### Full Model Architecture

	```
	SentenceTransformer(
	(0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel
	(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
	)
	```

	## Usage

	### Direct Usage (Sentence Transformers)

	First install the Sentence Transformers library:

	```bash
	pip install -U sentence-transformers
	```

	Then you can load this model and run inference.
	```python
	from sentence_transformers import SentenceTransformer

	# Download from the 🤗 Hub
	model = SentenceTransformer("sentence_transformers_model_id")
	# Run inference
	sentences = [
	'لماذا رائحة الغسيل بعد الغسيل',
	'كيفية التخلص من الرائحة: إذا تم اكتشافها على الفور ، فعادة ما يكون غسل الملابس مرة أخرى هو كل ما يلزم لإزالة الروائح الكريهة. إذا لم ينجح ذلك وما زلت تواجه مشاكل ، جرب إحدى الطرق التالية: اغسل مرة أخرى ولكن هذه المرة أضف كوبًا واحدًا من الخل إلى الحمولة (جنبًا إلى جنب مع منظف الغسيل).',
	'حافظ على ملابسك منتعشة وجافة بالمجفف الكهربائي من سيرز. عندما يدور يوم الغسيل ، يمكنك الاعتماد على الأداء الفعال للمجفف الكهربائي. يحتوي سيرز على مجففات تناسب ديكور أي غرفة غسيل. من الفولاذ المقاوم للصدأ إلى تشطيبات الأونيكس ، يسهل تنسيق هذا الجهاز الأنيق مع الغسالة التي تختارها.',
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 768]

	# Get the similarity scores for the embeddings
	similarities = model.similarity(embeddings, embeddings)
	print(similarities.shape)
	# [3, 3]
	```

	<!--
	### Direct Usage (Transformers)

	<details><summary>Click to see the direct usage in Transformers</summary>

	</details>
	-->

	<!--
	### Downstream Usage (Sentence Transformers)

	You can finetune this model on your own dataset.

	<details><summary>Click to expand</summary>

	</details>
	-->

	<!--
	### Out-of-Scope Use

	List how the model may foreseeably be misused and address what users ought not to do with the model.
	-->

	<!--
	## Bias, Risks and Limitations

	What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.
	-->

	<!--
	### Recommendations

	What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.
	-->

	## Training Details

	### Training Hyperparameters
	#### Non-Default Hyperparameters

	- `eval_strategy`: steps
	- `per_device_train_batch_size`: 32
	- `per_device_eval_batch_size`: 32
	- `learning_rate`: 2e-05
	- `num_train_epochs`: 1
	- `warmup_ratio`: 0.1
	- `fp16`: True
	- `batch_sampler`: no_duplicates

	#### All Hyperparameters
	<details><summary>Click to expand</summary>

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: steps
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 32
	- `per_device_eval_batch_size`: 32
	- `per_gpu_train_batch_size`: None
	- `per_gpu_eval_batch_size`: None
	- `gradient_accumulation_steps`: 1
	- `eval_accumulation_steps`: None
	- `torch_empty_cache_steps`: None
	- `learning_rate`: 2e-05
	- `weight_decay`: 0.0
	- `adam_beta1`: 0.9
	- `adam_beta2`: 0.999
	- `adam_epsilon`: 1e-08
	- `max_grad_norm`: 1.0
	- `num_train_epochs`: 1
	- `max_steps`: -1
	- `lr_scheduler_type`: linear
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.1
	- `warmup_steps`: 0
	- `log_level`: passive
	- `log_level_replica`: warning
	- `log_on_each_node`: True
	- `logging_nan_inf_filter`: True
	- `save_safetensors`: True
	- `save_on_each_node`: False
	- `save_only_model`: False
	- `restore_callback_states_from_checkpoint`: False
	- `no_cuda`: False
	- `use_cpu`: False
	- `use_mps_device`: False
	- `seed`: 42
	- `data_seed`: None
	- `jit_mode_eval`: False
	- `use_ipex`: False
	- `bf16`: False
	- `fp16`: True
	- `fp16_opt_level`: O1
	- `half_precision_backend`: auto
	- `bf16_full_eval`: False
	- `fp16_full_eval`: False
	- `tf32`: None
	- `local_rank`: 0
	- `ddp_backend`: None
	- `tpu_num_cores`: None
	- `tpu_metrics_debug`: False
	- `debug`: []
	- `dataloader_drop_last`: False
	- `dataloader_num_workers`: 0
	- `dataloader_prefetch_factor`: None
	- `past_index`: -1
	- `disable_tqdm`: False
	- `remove_unused_columns`: True
	- `label_names`: None
	- `load_best_model_at_end`: False
	- `ignore_data_skip`: False
	- `fsdp`: []
	- `fsdp_min_num_params`: 0
	- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
	- `fsdp_transformer_layer_cls_to_wrap`: None
	- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
	- `deepspeed`: None
	- `label_smoothing_factor`: 0.0
	- `optim`: adamw_torch
	- `optim_args`: None
	- `adafactor`: False
	- `group_by_length`: False
	- `length_column_name`: length
	- `ddp_find_unused_parameters`: None
	- `ddp_bucket_cap_mb`: None
	- `ddp_broadcast_buffers`: False
	- `dataloader_pin_memory`: True
	- `dataloader_persistent_workers`: False
	- `skip_memory_metrics`: True
	- `use_legacy_prediction_loop`: False
	- `push_to_hub`: False
	- `resume_from_checkpoint`: None
	- `hub_model_id`: None
	- `hub_strategy`: every_save
	- `hub_private_repo`: False
	- `hub_always_push`: False
	- `gradient_checkpointing`: False
	- `gradient_checkpointing_kwargs`: None
	- `include_inputs_for_metrics`: False
	- `eval_do_concat_batches`: True
	- `fp16_backend`: auto
	- `push_to_hub_model_id`: None
	- `push_to_hub_organization`: None
	- `mp_parameters`:
	- `auto_find_batch_size`: False
	- `full_determinism`: False
	- `torchdynamo`: None
	- `ray_scope`: last
	- `ddp_timeout`: 1800
	- `torch_compile`: False
	- `torch_compile_backend`: None
	- `torch_compile_mode`: None
	- `dispatch_batches`: None
	- `split_batches`: None
	- `include_tokens_per_second`: False
	- `include_num_input_tokens_seen`: False
	- `neftune_noise_alpha`: None
	- `optim_target_modules`: None
	- `batch_eval_metrics`: False
	- `eval_on_start`: False
	- `eval_use_gather_object`: False
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	\| Epoch \| Step \| Training Loss \| loss \|
	\|:-----:\|:-----:\|:-------------:\|:------:\|
	\| 0.016 \| 250 \| 4.065 \| - \|
	\| 0.032 \| 500 \| 1.9888 \| - \|
	\| 0.048 \| 750 \| 1.4433 \| - \|
	\| 0.064 \| 1000 \| 1.2331 \| - \|
	\| 0.08 \| 1250 \| 1.0376 \| - \|
	\| 0.096 \| 1500 \| 1.0282 \| - \|
	\| 0.112 \| 1750 \| 0.892 \| - \|
	\| 0.128 \| 2000 \| 0.8597 \| - \|
	\| 0.144 \| 2250 \| 0.8105 \| - \|
	\| 0.16 \| 2500 \| 0.8397 \| - \|
	\| 0.176 \| 2750 \| 0.7831 \| - \|
	\| 0.192 \| 3000 \| 0.7718 \| - \|
	\| 0.208 \| 3250 \| 0.7466 \| - \|
	\| 0.224 \| 3500 \| 0.7199 \| - \|
	\| 0.24 \| 3750 \| 0.717 \| - \|
	\| 0.256 \| 4000 \| 0.6693 \| - \|
	\| 0.272 \| 4250 \| 0.6473 \| - \|
	\| 0.288 \| 4500 \| 0.6388 \| - \|
	\| 0.304 \| 4750 \| 0.6226 \| - \|
	\| 0.32 \| 5000 \| 0.5967 \| 0.5908 \|
	\| 0.336 \| 5250 \| 0.5971 \| - \|
	\| 0.352 \| 5500 \| 0.6453 \| - \|
	\| 0.368 \| 5750 \| 0.6468 \| - \|
	\| 0.384 \| 6000 \| 0.5849 \| - \|
	\| 0.4 \| 6250 \| 0.5552 \| - \|
	\| 0.416 \| 6500 \| 0.512 \| - \|
	\| 0.432 \| 6750 \| 0.5825 \| - \|
	\| 0.448 \| 7000 \| 0.5895 \| - \|
	\| 0.464 \| 7250 \| 0.5453 \| - \|
	\| 0.48 \| 7500 \| 0.5453 \| - \|
	\| 0.496 \| 7750 \| 0.5034 \| - \|
	\| 0.512 \| 8000 \| 0.5756 \| - \|
	\| 0.528 \| 8250 \| 0.5576 \| - \|
	\| 0.544 \| 8500 \| 0.55 \| - \|
	\| 0.56 \| 8750 \| 0.5191 \| - \|
	\| 0.576 \| 9000 \| 0.5104 \| - \|
	\| 0.592 \| 9250 \| 0.5062 \| - \|
	\| 0.608 \| 9500 \| 0.5493 \| - \|
	\| 0.624 \| 9750 \| 0.5131 \| - \|
	\| 0.64 \| 10000 \| 0.5276 \| 0.4551 \|
	\| 0.656 \| 10250 \| 0.5332 \| - \|
	\| 0.672 \| 10500 \| 0.5076 \| - \|
	\| 0.688 \| 10750 \| 0.511 \| - \|
	\| 0.704 \| 11000 \| 0.448 \| - \|
	\| 0.72 \| 11250 \| 0.4928 \| - \|
	\| 0.736 \| 11500 \| 0.4492 \| - \|
	\| 0.752 \| 11750 \| 0.4514 \| - \|
	\| 0.768 \| 12000 \| 0.4749 \| - \|
	\| 0.784 \| 12250 \| 0.4765 \| - \|
	\| 0.8 \| 12500 \| 0.5043 \| - \|
	\| 0.816 \| 12750 \| 0.4617 \| - \|
	\| 0.832 \| 13000 \| 0.4845 \| - \|
	\| 0.848 \| 13250 \| 0.5101 \| - \|
	\| 0.864 \| 13500 \| 0.4759 \| - \|
	\| 0.88 \| 13750 \| 0.4824 \| - \|
	\| 0.896 \| 14000 \| 0.4646 \| - \|
	\| 0.912 \| 14250 \| 0.4504 \| - \|
	\| 0.928 \| 14500 \| 0.4603 \| - \|
	\| 0.944 \| 14750 \| 0.4645 \| - \|
	\| 0.96 \| 15000 \| 0.4688 \| 0.4054 \|
	\| 0.976 \| 15250 \| 0.506 \| - \|
	\| 0.992 \| 15500 \| 0.4604 \| - \|


	### Framework Versions
	- Python: 3.10.14
	- Sentence Transformers: 3.1.1
	- Transformers: 4.44.2
	- PyTorch: 2.4.0
	- Accelerate: 0.34.2
	- Datasets: 3.0.0
	- Tokenizers: 0.19.1

	## Citation

	### BibTeX

	#### Sentence Transformers
	```bibtex
	@inproceedings{reimers-2019-sentence-bert,
	title = "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks",
	author = "Reimers, Nils and Gurevych, Iryna",
	booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing",
	month = "11",
	year = "2019",
	publisher = "Association for Computational Linguistics",
	url = "https://arxiv.org/abs/1908.10084",
	}
	```

	#### Matryoshka2dLoss
	```bibtex
	@misc{li20242d,
	title={2D Matryoshka Sentence Embeddings},
	author={Xianming Li and Zongxi Li and Jing Li and Haoran Xie and Qing Li},
	year={2024},
	eprint={2402.14776},
	archivePrefix={arXiv},
	primaryClass={cs.CL}
	}
	```

	#### MatryoshkaLoss
	```bibtex
	@misc{kusupati2024matryoshka,
	title={Matryoshka Representation Learning},
	author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
	year={2024},
	eprint={2205.13147},
	archivePrefix={arXiv},
	primaryClass={cs.LG}
	}
	```

	#### MultipleNegativesRankingLoss
	```bibtex
	@misc{henderson2017efficient,
	title={Efficient Natural Language Response Suggestion for Smart Reply},
	author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
	year={2017},
	eprint={1705.00652},
	archivePrefix={arXiv},
	primaryClass={cs.CL}
	}
	```

	<!--
	## Glossary

	Clearly define terms in order to be accessible across audiences.
	-->

	<!--
	## Model Card Authors

	Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.
	-->

	<!--
	## Model Card Contact

	Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.
	-->