metadata

base_model: google-bert/bert-base-multilingual-cased
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:181350
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      Quyết định điều chuyển tài sản công có yêu cầu là Quyết định điều chuyển
      tài sản hoặc văn bản hồi đáp.
    sentences:
      - >-
        Thủ tục cấp thẻ hướng dẫn viên du lịch nội địa có kết quả thực hiện là
        gì? 
      - >-
        Thủ tục cấp lại Giấy phép thành lập Văn phòng đại diện tại Việt Nam của
        doanh nghiệp kinh doanh dịch vụ lữ hành nước ngoài trong trường hợp Giấy
        phép thành lập Văn phòng đại diện bị mất, bị hủy hoại, bị hư hỏng* hoặc
        bị tiêu hủy có yêu cầu thành phần hồ sơ những gì? 
      - 'Quyết định điều chuyển tài sản công có kết quả thực hiện là gì? '
  - source_sentence: >-
      Chuyển trường đối với học sinh trung học cơ sở. có phí, lệ phí là: Trực
      tiếp: Trực tuyến: Dịch vụ bưu chính: 
    sentences:
      - >-
        Cấp giấy chứng nhận là lương y cho các đối tượng quy định tại Khoản 6,
        Điều 1, Thông tư số 29/2015/TT-BYT có cách thức nộp hồ sơ như thế nào? 
      - >-
        Chuyển trường đối với học sinh trung học cơ sở. có phí, lệ phí là bao
        nhiêu? 
      - >-
        Chuyển đổi công ty trách nhiệm hữu hạn một thành viên thành công ty
        trách nhiệm hữu hạn hai thành viên trở lên có cách thức nộp hồ sơ như
        thế nào? 
  - source_sentence: >-
      Thủ tục đăng ký khai tử do cơ quan Ủy ban Nhân
      dân&nbsp;xã,&nbsp;phường,&nbsp;thị trấn. thực hiện 
    sentences:
      - >-
        Tiếp nhận người có công vào cơ sở nuôi dưỡng, điều dưỡng người có công
        do tỉnh quản lý do cấp nào thực hiện? 
      - >-
        Cấp giấy phép hoạt động đối với cơ sở khám bệnh, chữa bệnh khi thay đổi
        người chịu trách nhiệm chuyên môn của cơ sở khám bệnh, chữa bệnh thuộc
        thẩm quyền của Sở Y tế được thực hiện mức độ mấy? 
      - 'Thủ tục đăng ký khai tử do cơ quan nào giải quyết? '
  - source_sentence: Cấp lại giấy chứng nhận đăng ký tàu cá do cấp Cấp Tỉnhthực hiện
    sentences:
      - >-
        Thủ tục tặng Giấy khen của Chủ tịch UBND cấp huyện về thành tích thi đua
        theo đợt, chuyên đề có kết quả thực hiện là gì? 
      - >-
        Đăng ký thay đổi nội dung giấy chứng nhận đăng ký thành lập đối với cơ
        sở trợ giúp xã hội ngoài công lập thuộc thẩm quyền thành lập của Phòng
        Lao động – Thương binh và Xã hội có cách thức nộp hồ sơ như thế nào? 
      - 'Cấp lại giấy chứng nhận đăng ký tàu cá do cấp nào thực hiện? '
  - source_sentence: >-
      Thẩm định nội dung điều chỉnh báo cáo nghiên cứu khả thi, quyết định phê
      duyệt điều chỉnh dự án PPP do nhà đầu tư  đề xuất có thể nộp hồ sơ Trực
      tiếp
    sentences:
      - >-
        Cấp giấy phép hoạt động khám, chữa bệnh nhân đạo đối với bệnh viện trên
        địa bàn quản lý của Sở Y tế (trừ các bệnh viện thuộc thẩm quyền của Bộ Y
        tế và Bộ Quốc phòng) và áp dụng đối với trường hợp khi thay đổi hình
        thức tổ chức, chia tách, hợp nhất, sáp nhập có phí, lệ phí là bao
        nhiêu? 
      - >-
        Thẩm định nội dung điều chỉnh báo cáo nghiên cứu khả thi, quyết định phê
        duyệt điều chỉnh dự án PPP do nhà đầu tư  đề xuất có cách thức nộp hồ sơ
        như thế nào? 
      - 'Tiếp tục hưởng trợ cấp thất nghiệp do cấp nào thực hiện? '
model-index:
  - name: SentenceTransformer based on google-bert/bert-base-multilingual-cased
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.09607940446650125
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2815384615384615
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.47062034739454095
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9575186104218363
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.09607940446650125
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09384615384615384
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.09412406947890818
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.09575186104218363
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.09607940446650125
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2815384615384615
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.47062034739454095
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.9575186104218363
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4333441457845379
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.27853887510339975
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.27998907828205183
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.09588089330024814
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.28496277915632756
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.47746898263027293
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9580645161290322
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.09588089330024814
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09498759305210917
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0954937965260546
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.09580645161290324
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.09588089330024814
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.28496277915632756
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.47746898263027293
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.9580645161290322
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4349228577024063
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.28016127062901935
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.2816278962763295
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.10233250620347395
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2884367245657568
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.47677419354838707
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9574689826302729
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.10233250620347395
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09614557485525227
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.09535483870967743
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.09574689826302732
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.10233250620347395
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2884367245657568
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.47677419354838707
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.9574689826302729
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.43769372685701197
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.2840922446728971
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.28553229914957934
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.09647642679900745
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.2872952853598015
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.4796526054590571
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9573697270471464
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.09647642679900745
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.09576509511993382
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0959305210918114
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.09573697270471467
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.09647642679900745
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.2872952853598015
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.4796526054590571
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.9573697270471464
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4352845528283853
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.2808443026507601
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.28230936303257465
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.0967741935483871
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.286848635235732
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.47320099255583126
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9582630272952853
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.0967741935483871
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.095616211745244
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.09464019851116623
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.09582630272952854
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.0967741935483871
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.286848635235732
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.47320099255583126
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.9582630272952853
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.4352880559065069
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.2806665091181284
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.28206191501866124
            name: Cosine Map@100

SentenceTransformer based on google-bert/bert-base-multilingual-cased

This is a sentence-transformers model finetuned from google-bert/bert-base-multilingual-cased. 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: google-bert/bert-base-multilingual-cased
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

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("anhtuansh/bert-base-multilingual-Financial-Matryoshka")
# Run inference
sentences = [
    'Thẩm định nội dung điều chỉnh báo cáo nghiên cứu khả thi, quyết định phê duyệt điều chỉnh dự án PPP do nhà đầu tư  đề xuất có thể nộp hồ sơ Trực tiếp',
    'Thẩm định nội dung điều chỉnh báo cáo nghiên cứu khả thi, quyết định phê duyệt điều chỉnh dự án PPP do nhà đầu tư  đề xuất có cách thức nộp hồ sơ như thế nào? ',
    'Tiếp tục hưởng trợ cấp thất nghiệp do cấp nào thực hiện? ',
]
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]

Evaluation

Metrics

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0961
cosine_accuracy@3	0.2815
cosine_accuracy@5	0.4706
cosine_accuracy@10	0.9575
cosine_precision@1	0.0961
cosine_precision@3	0.0938
cosine_precision@5	0.0941
cosine_precision@10	0.0958
cosine_recall@1	0.0961
cosine_recall@3	0.2815
cosine_recall@5	0.4706
cosine_recall@10	0.9575
cosine_ndcg@10	0.4333
cosine_mrr@10	0.2785
cosine_map@100	0.28

Information Retrieval

Dataset: dim_512
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0959
cosine_accuracy@3	0.285
cosine_accuracy@5	0.4775
cosine_accuracy@10	0.9581
cosine_precision@1	0.0959
cosine_precision@3	0.095
cosine_precision@5	0.0955
cosine_precision@10	0.0958
cosine_recall@1	0.0959
cosine_recall@3	0.285
cosine_recall@5	0.4775
cosine_recall@10	0.9581
cosine_ndcg@10	0.4349
cosine_mrr@10	0.2802
cosine_map@100	0.2816

Information Retrieval

Dataset: dim_256
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.1023
cosine_accuracy@3	0.2884
cosine_accuracy@5	0.4768
cosine_accuracy@10	0.9575
cosine_precision@1	0.1023
cosine_precision@3	0.0961
cosine_precision@5	0.0954
cosine_precision@10	0.0957
cosine_recall@1	0.1023
cosine_recall@3	0.2884
cosine_recall@5	0.4768
cosine_recall@10	0.9575
cosine_ndcg@10	0.4377
cosine_mrr@10	0.2841
cosine_map@100	0.2855

Information Retrieval

Dataset: dim_128
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0965
cosine_accuracy@3	0.2873
cosine_accuracy@5	0.4797
cosine_accuracy@10	0.9574
cosine_precision@1	0.0965
cosine_precision@3	0.0958
cosine_precision@5	0.0959
cosine_precision@10	0.0957
cosine_recall@1	0.0965
cosine_recall@3	0.2873
cosine_recall@5	0.4797
cosine_recall@10	0.9574
cosine_ndcg@10	0.4353
cosine_mrr@10	0.2808
cosine_map@100	0.2823

Information Retrieval

Dataset: dim_64
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0968
cosine_accuracy@3	0.2868
cosine_accuracy@5	0.4732
cosine_accuracy@10	0.9583
cosine_precision@1	0.0968
cosine_precision@3	0.0956
cosine_precision@5	0.0946
cosine_precision@10	0.0958
cosine_recall@1	0.0968
cosine_recall@3	0.2868
cosine_recall@5	0.4732
cosine_recall@10	0.9583
cosine_ndcg@10	0.4353
cosine_mrr@10	0.2807
cosine_map@100	0.2821

Training Details

Training Dataset

Unnamed Dataset

Size: 181,350 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 10 tokens
mean: 107.98 tokens
max: 512 tokens

min: 12 tokens
mean: 37.24 tokens
max: 448 tokens

	positive	anchor
type	string	string
details	min: 10 tokens mean: 107.98 tokens max: 512 tokens	min: 12 tokens mean: 37.24 tokens max: 448 tokens

Samples:

positive	anchor
`Tính tiền cấp quyền khai thác tài nguyên nước đối với công trình chưa vận hành cấp tỉnh có yêu cầu là .`	`Tính tiền cấp quyền khai thác tài nguyên nước đối với công trình chưa vận hành cấp tỉnh có yêu cầu gì?`
`Xóa đăng ký hành nghề và thu hồi Thẻ công chứng viên trường hợp công chứng viên không còn hành nghề tại tổ chức hành nghề công chứng được thực hiện mức độ trực tuyến Toàn trình`	`Xóa đăng ký hành nghề và thu hồi Thẻ công chứng viên trường hợp công chứng viên không còn hành nghề tại tổ chức hành nghề công chứng được thực hiện mức độ mấy?`
Thủ tục cấp giấy chứng nhận đủ điều kiện kinh doanh hoạt động thể thao đối với môn Mô tô nước trên biển có trình tự thực hiện như sau: Doanh nghiệp gửi hồ sơ đến cơ quan chuyên môn về thể dục, thể thao thuộc Ủy ban nhân nhân cấp tỉnh nơi đăng ký địa điểm kinh doanh hoạt động thể thao hoặc nơi doanh nghiệp có trụ sở chính trong trường hợp doanh nghiệp có nhiều địa điểm kinh doanh hoạt động thể thao.Cơ quan chuyên môn về thể dục, thể thao thuộc Ủy ban nhân dân cấp tỉnh (sau đây gọi là cơ quan cấp Giấy chứng nhận đủ điều kiện) cấp cho doanh nghiệp giấy tiếp nhận hồ sơ. Trường hợp hồ sơ cần sửa đổi, bổ sung, cơ quan cấp Giấy chứng nhận đủ điều kiện thông báo trực tiếp hoặc bằng văn bản những nội dung cần sửa đổi, bổ sung đến doanh nghiệp trong thời hạn 03 ngày làm việc, kể từ ngày nhận hồ sơ.	`Thủ tục cấp giấy chứng nhận đủ điều kiện kinh doanh hoạt động thể thao đối với môn Mô tô nước trên biển có trình tự thực hiện như thế nào?`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Evaluation Dataset

Unnamed Dataset

Size: 20,150 evaluation samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 15 tokens
mean: 101.71 tokens
max: 512 tokens

min: 14 tokens
mean: 36.81 tokens
max: 191 tokens

	positive	anchor
type	string	string
details	min: 15 tokens mean: 101.71 tokens max: 512 tokens	min: 14 tokens mean: 36.81 tokens max: 191 tokens

Samples:

positive	anchor
Điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ đã ban hành trước ngày 01 tháng 7 năm 2004 có yêu cầu hồ sơ gồm: 1. Hồ sơ do người sử dụng đất nộp 01 bộ tại Sở Tài nguyên và Môi trường gồm:Văn bản đề nghị điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ ban hành trước ngày 01 tháng 7 năm 2004 theo Mẫu số 03 ban hành kèm theo Thông tư 33/2017/TT-BTNMTBản sao quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ đã ban hành trước ngày 01 tháng 7 năm 2004Bản sao giấy chứng nhận quyền sử dụng đất hoặc Giấy chứng nhận quyền sở hữu nhà ở và quyền sử dụng đất ở hoặc Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất đã cấp (nếu có)Bản sao giấy phép đầu tư hoặc giấy chứng nhận đầu tư hoặc giấy đăng ký kinh doanh hoặc văn bản chấp thuận chủ trương đầu tư hoặc quyết định chủ trương đầu tư hoặc giấy chứng nhận đăng ký đầu tư đã cấp (nếu có)2. Hồ sơ do Sở Tài nguyên và Môi trường lập để trình Ủy ban nhân dân cấp tỉnh gồm:Tờ trình theo Mẫu số 04 ban hành kèm theo Thông tư 33/2017/TT-BTNMTCác giấy tờ do người sử dụng đất nộp tại mục 1 nêu trên;Văn bản của cơ quan có thẩm quyền đối với trường hợp người sử dụng đất không đề nghị điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ;Trích lục bản đồ địa chính thửa đất hoặc trích đo địa chính thửa đất (đã có trong hồ sơ giao đất, cho thuê đất trước đây).3. Hồ sơ thẩm định do Ủy ban nhân dân cấp tỉnh lập gửi Bộ Tài nguyên và Môi trường đối với trường hợp điều chỉnh quyết định mà phải báo cáo Thủ tướng Chính phủ gồm:Tờ trình theo Mẫu số 05 ban hành kèm theo Thông tư 33/2017/TT-BTNMTCác giấy tờ do người sử dụng đất nộp theo quy định tại mục 1 nêu trênVăn bản của cơ quan có thẩm quyền đề nghị điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ (nếu có)Trích lục bản đồ địa chính thửa đất hoặc trích đo địa chính thửa đất (đã có trong hồ sơ giao đất, cho thuê đất trước đây)4. Hồ sơ do Bộ Tài nguyên và Môi trường lập để trình Thủ tướng Chính phủ gồm:Tờ trình Thủ tướng Chính phủCác giấy tờ do Ủy ban nhân dân cấp tỉnh lập theo quy định tại mục 3 nêu trênVăn bản của Bộ, ngành có liên quan góp ý về việc đề nghị điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ đối với dự án phải xin ý kiến các Bộ, ngành (nếu có)	`Điều chỉnh quyết định thu hồi đất, giao đất, cho thuê đất, cho phép chuyển mục đích sử dụng đất của Thủ tướng Chính phủ đã ban hành trước ngày 01 tháng 7 năm 2004 có yêu cầu thành phần hồ sơ những gì?`
`Thủ tục thông báo hủy kết quả phong phẩm hoặc suy cử chức sắc đối với các trường hợp quy định tại khoản 2 Điều 33 của Luật tín ngưỡng, tôn giáo được thực hiện mức độ trực tuyến Toàn trình`	`Thủ tục thông báo hủy kết quả phong phẩm hoặc suy cử chức sắc đối với các trường hợp quy định tại khoản 2 Điều 33 của Luật tín ngưỡng, tôn giáo được thực hiện mức độ mấy?`
`Thủ tục đính chính Giấy chứng nhận đã cấp có phí, lệ phí là: Trực tiếp:`	`Thủ tục đính chính Giấy chứng nhận đã cấp có phí, lệ phí là bao nhiêu?`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        768,
        512,
        256,
        128,
        64
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
gradient_accumulation_steps: 16
learning_rate: 2e-05
num_train_epochs: 5
lr_scheduler_type: cosine
warmup_ratio: 0.1
fp16: True
tf32: False
load_best_model_at_end: True
optim: adamw_torch_fused
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 16
eval_accumulation_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: 5
max_steps: -1
lr_scheduler_type: cosine
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: False
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: True
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_fused
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
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	loss	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.9994	708	0.0012	0.2727	0.2739	0.2781	0.2744	0.2762
1.9988	1416	0.0006	0.2827	0.2835	0.2858	0.2815	0.2844
2.9996	2125	0.0004	0.2831	0.2812	0.2843	0.2829	0.2852
3.9989	2833	0.0004	0.2878	0.2827	0.2839	0.2830	0.2815
4.9969	3540	0.0004	0.2823	0.2855	0.2816	0.2821	0.2800

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.10
Sentence Transformers: 3.0.1
Transformers: 4.41.2
PyTorch: 2.1.2+cu121
Accelerate: 0.29.3
Datasets: 2.19.1
Tokenizers: 0.19.1

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",
}

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}
}