metadata

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: ماذا كانت اسماء اطفال تشارلز ديكنز
    sentences:
      - >-
        المفاهيم ذات الصلة: النظام الأساسي ، وجمعيات المحامين ، والجمعيات
        النافعة ، ودعوة الجمعيات ، والجمعيات المساهمة ، وجمعيات المنفعة
        المتبادلة ، والجمعيات المهنية ، والجمعيات غير المسجلة ، والجمعيات
        الطوعية ، والتي سمعتها هذه الجمعية بقراءتها ، مع شعور بالرضا التام ،
        وموافقة غير مشروطة ، الورقة التي أرسلها صمويل بيكويك ، إسق. أوراق ما بعد
        الوفاة لنادي بيكويك بقلم ديكنز ، عرض تشارلز في السياق. ورأى أن هذه
        الرابطة كانت مجرد مذيع لإنقاذه من ازدراء الذات.
      - >-
        لا تتعرق. تحدث أنابيب التعرق عندما يكون الماء داخل الأنبوب أبرد من
        الهواء الرطب المحيط به. في حين أن هذا قد يبدو وكأنه مشكلة خاصة بفصل
        الصيف ، إلا أنه يحدث في كثير من الأحيان عندما يتم تسخين الهواء بواسطة
        الفرن. عندما يلتقي الهواء الرطب الدافئ بالأنابيب الباردة ، تتشكل الرطوبة
        في القطرات وتسقط تلك الحبة على الجزء الخارجي من الأنبوب.
      - >-
        كان تشارلز ديكنز متزوجًا من كاثرين طومسون هوغارث. أسماء أطفالهم كانت
        ماري وكيت ووالتر وفرانسيس وألفريد وسيدني وهنري ودرة وإدوارد وتشارلز
        ديكنز ¢â JR.
  - source_sentence: ما هو باء
    sentences:
      - >-
        Ib (࣠¤ÃÂÃ' £ ƒ´ Ivu) هو بطل الرواية الصامت للعبة الرعب Ib وأول شخصية
        يمكن التحكم فيها في اللعبة. هي ، إلى جانب Garry and Mary (الإصدار 1.04)
        ، هي واحدة من الشخصيات القليلة التي يمكن للاعب التحكم فيها. إب فتاة تبلغ
        من العمر تسع سنوات ذات شعر بني وعيون حمراء.
      - >-
        نمط الحياة والعلاجات المنزلية. قد تساعد الخطوات التالية في تخفيف الأعراض
        المتعلقة بالتهاب الجنبة: 1 تناول الدواء. 2 تناول الأدوية مثل إيبوبروفين
        (أدفيل ، وموترين آي بي ، وغيرهما) حسب الحاجة لتخفيف الألم والالتهاب. 3
        احصل على قسط وافر من الراحة. 4 ابحث عن الموضع الذي يسبب لك أقل قدر من
        الانزعاج وحاول البقاء فيه.
      - >-
        موظف يتولى المعاملات المالية للشركة. في معظم الحالات ، يعمل أمين الصندوق
        مباشرة في ماكينة تسجيل المدفوعات النقدية ، حيث يقوم بإبلاغ مشتريات
        العميل وتحصيل مدفوعاتهم. تم العثور على الصرافين في أي مكان تقريبًا يمكن
        للعميل شراء عنصر فيه ، مثل محلات السوبر ماركت والمطاعم ومحلات البيع
        بالتجزئة.
  - source_sentence: ما هي مقاطعة كوماك نيويورك
    sentences:
      - >-
        مقاطعة هاميلتون ، نيويورك. لا ينبغي الخلط بينه وبين هاملتون ، نيويورك أو
        هاميلتون (قرية) ، نيويورك. مقاطعة هاميلتون هي إحدى مقاطعات ولاية نيويورك
        الأمريكية. اعتبارًا من تعداد عام 2010 ، كان عدد السكان 4836 ، مما يجعلها
        أقل مقاطعة في نيويورك من حيث عدد السكان. مقرها في مقاطعة ليك بليزانت.
      - >-
        القوارب هي الأعمال التجارية لكارين مايلز. تمتلك هي وعائلتها Devil's
        Elbow على الممر المائي Intracoastal بالقرب من Crescent Beach منذ أكثر من
        50 عامًا. إنها منشأة صيد شاملة مع منحدر للقوارب ومتجر للطعم والأدوات
        واستئجار القوارب ومنازل ريفية. يقع على بعد ثلاثة أميال شمال خليج
        ماتانزاس ، ومدخل ماتانزاس في مقاطعة سانت جونز الجنوبية أضيق مما كان عليه
        قبل ثلاث سنوات فقط لأن الرمال بدأت تملأ المدخل. يقول ضباط الحياة البرية
        إن منطقة واحدة أو منطقتين فقط بين أعمدة الجسر صالحة للملاحة للقوارب
        الصغيرة الآن ، وقد امتلكت هي وعائلتها Devil's Elbow على الممر المائي
        Intracoastal بالقرب من Crescent Beach منذ أكثر من 50 عامًا. إنها منشأة
        صيد شاملة مع منحدر للقوارب ومتجر للطعم والأدوات واستئجار القوارب ومنازل
        ريفية. إنها ثلاثة أميال شمال خليج ماتانزاس.
      - >-
        كوماك ، نيويورك. كوماك / كيوماك / هو مكان مخصص للإحصاء (CDP) يتوافق
        تقريبًا مع القرية الصغيرة التي تحمل الاسم نفسه في مدينتي هنتنغتون
        وسميثتاون في مقاطعة سوفولك ، نيويورك ، الولايات المتحدة في لونغ آيلاند.
  - source_sentence: ما معنى علاقة د / ث
    sentences:
      - >-
        الهيمنة والخضوع (وتسمى أيضًا D / s) هي مجموعة من السلوكيات والعادات
        والطقوس التي تنطوي على خضوع شخص لآخر في حلقة مثيرة أو نمط حياة. إنها
        مجموعة فرعية من BDSM. الاتصال الجسدي ليس ضروريًا ، ويمكن إجراء D / s
        بشكل مجهول عبر الهاتف أو البريد الإلكتروني أو أنظمة المراسلة الأخرى.
      - >-
        "ما هو CRM؟ ما هو CRM؟ CRM يرمز إلى إدارة علاقات العملاء ، وقد تمت
        صياغته لأول مرة في التسعينيات. كان المعنى الحرفي والأصلي لتعبير ""إدارة
        علاقات العملاء"" ، ببساطة ، هو إدارة العلاقة مع عميلك. يتم استخدامه
        اليوم لوصف أنظمة تكنولوجيا المعلومات والبرامج المصممة لمساعدتك في إدارة
        هذه العلاقة."
      - >-
        أفضل إجابة: إن exaust بدون catless هو نظام exaust للسيارات لا يحتوي على
        محول حفاز. إذا كان النظام لا يستدعي واحدًا ، فلا يجب عليك إدخاله. وإذا
        تطلب الأمر ، فلا يجب أن تخلعه. سيؤثر إيقاف تشغيل المحول الحفاز على أداء
        وعمر المحرك. المحول الحفاز أو القط هو أحد مكونات نظام العادم الذي يسخن
        بشكل أساسي الغازات غير المحترقة لمنعها من الخروج من السيارة وشق طريقها
        إلى الغلاف الجوي ... بشكل صارم منظم للانبعاثات.
  - source_sentence: في أي مدينة تقع الحديقة الوطنية الجليدية
    sentences:
      - >-
        الحديقة الجليدية الوطنية هي حديقة وطنية تقع في ولاية مونتانا الأمريكية ،
        على الحدود الكندية للولايات المتحدة مع المقاطعات الكندية في ألبرتا
        وكولومبيا البريطانية. حرائق الغابات الكبيرة غير شائعة في المنتزه. ومع
        ذلك ، في عام 2003 تم حرق أكثر من 13٪ من المتنزه. حديقة جلاسير الوطنية
        تقع على حدود متنزه ووترتون ليكس الوطني في كندا - يُعرف المنتزهان باسم
        منتزه واترتون-جلاسير الدولي للسلام وتم تصنيفهما كأول منتزه سلام دولي في
        العالم في عام 1932.
      - >-
        أسعار Thera-Gesic Plus. يعتمد دليل أسعار Thera-Gesic Plus هذا على
        استخدام بطاقة خصم Drugs.com المقبولة في معظم الصيدليات الأمريكية. تبلغ
        تكلفة كريم Thera-Gesic Plus الموضعي (4٪ -25٪) حوالي 13 دولارًا مقابل 85
        جرامًا ، اعتمادًا على الصيدلية التي تزورها. الأسعار مخصصة للعملاء الذين
        يدفعون نقدًا فقط ولا تسري مع خطط التأمين.
      - >-
        تصوير: ايرين كونويل - رويترز. 1 بواسطة Alex Dobuzinskis. (2 رويترز) -
        قال مسؤولون إن حريقًا هائلًا في منتزه مونتانا الجليدي الوطني اندلع لليوم
        الرابع من خلال الأخشاب الثقيلة يوم الجمعة خلال ذروة موسم الزائرين ،
        بينما اجتاح حريق آخر في شمال كاليفورنيا الجبال فوق منطقة نبيذ وادي نابا.

BERT base trained on 500k Arabic NLI triplets

This is a sentence-transformers model finetuned from 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.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: aubmindlab/bert-base-arabertv02
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Language: ar
License: apache-2.0

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

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:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'في أي مدينة تقع الحديقة الوطنية الجليدية',
    'الحديقة الجليدية الوطنية هي حديقة وطنية تقع في ولاية مونتانا الأمريكية ، على الحدود الكندية للولايات المتحدة مع المقاطعات الكندية في ألبرتا وكولومبيا البريطانية. حرائق الغابات الكبيرة غير شائعة في المنتزه. ومع ذلك ، في عام 2003 تم حرق أكثر من 13٪ من المتنزه. حديقة جلاسير الوطنية تقع على حدود متنزه ووترتون ليكس الوطني في كندا - يُعرف المنتزهان باسم منتزه واترتون-جلاسير الدولي للسلام وتم تصنيفهما كأول منتزه سلام دولي في العالم في عام 1932.',
    'تصوير: ايرين كونويل - رويترز. 1 بواسطة Alex Dobuzinskis. (2 رويترز) - قال مسؤولون إن حريقًا هائلًا في منتزه مونتانا الجليدي الوطني اندلع لليوم الرابع من خلال الأخشاب الثقيلة يوم الجمعة خلال ذروة موسم الزائرين ، بينما اجتاح حريق آخر في شمال كاليفورنيا الجبال فوق منطقة نبيذ وادي نابا.',
]
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]

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

Click to expand

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
use_liger_kernel: False
eval_use_gather_object: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss
0.016	250	4.087	-
0.032	500	1.9943	-
0.048	750	1.4472	-
0.064	1000	1.2324	-
0.08	1250	1.0402	-
0.096	1500	1.0357	-
0.112	1750	0.8857	-
0.128	2000	0.8617	-
0.144	2250	0.8101	-
0.16	2500	0.8452	-
0.176	2750	0.7949	-
0.192	3000	0.7706	-
0.208	3250	0.7518	-
0.224	3500	0.7217	-
0.24	3750	0.7225	-
0.256	4000	0.6761	-
0.272	4250	0.6492	-
0.288	4500	0.6379	-
0.304	4750	0.6225	-
0.32	5000	0.5899	0.5937
0.336	5250	0.6406	-
0.352	5500	0.6109	-
0.368	5750	0.5964	-
0.384	6000	0.5325	-
0.4	6250	0.5633	-
0.416	6500	0.5652	-
0.432	6750	0.6109	-
0.448	7000	0.527	-
0.464	7250	0.5215	-
0.48	7500	0.5508	-
0.496	7750	0.5832	-
0.512	8000	0.5817	-
0.528	8250	0.5617	-
0.544	8500	0.4963	-
0.56	8750	0.5168	-
0.576	9000	0.5251	-
0.592	9250	0.5439	-
0.608	9500	0.4962	-
0.624	9750	0.5638	-
0.64	10000	0.4764	0.4306
0.656	10250	0.531	-
0.672	10500	0.4901	-
0.688	10750	0.5076	-
0.704	11000	0.4384	-
0.72	11250	0.4971	-
0.736	11500	0.4457	-
0.752	11750	0.4603	-
0.768	12000	0.4854	-
0.784	12250	0.4702	-
0.8	12500	0.5154	-
0.816	12750	0.4619	-
0.832	13000	0.4829	-
0.848	13250	0.5101	-
0.864	13500	0.4641	-
0.88	13750	0.4797	-
0.896	14000	0.4632	-
0.912	14250	0.4578	-
0.928	14500	0.4552	-
0.944	14750	0.4636	-
0.96	15000	0.4764	0.4142
0.976	15250	0.5066	-
0.992	15500	0.4567	-

Framework Versions

Python: 3.10.14
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.0
Accelerate: 0.34.2
Datasets: 3.0.1
Tokenizers: 0.20.0

Citation

BibTeX

Sentence Transformers

@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

@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

@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

@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}
}