Hugging Face's logo

maiduchuy321
/
vietnamese-bi-encoder-fine-tuning-for-law-chatbot

Sentence Similarity
sentence-transformers
Safetensors
vn
roberta
feature-extraction
Generated from Trainer
dataset_size:11711
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
Eval Results
Inference Endpoints
Model card Files Community
vietnamese-bi-encoder-fine-tuning-for-law-chatbot / README.md
maiduchuy321's picture
maiduchuy321
Add new SentenceTransformer model.
81a86fc verified
preview code
|
raw
history blame
53.1 kB
---
language:
- vn
license: apache-2.0
library_name: sentence-transformers
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:11711
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: bkai-foundation-models/vietnamese-bi-encoder
datasets: []
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
widget:
- source_sentence: Số điện thoại đường dây nóng UBND huyện
sentences:
- Theo quy định tại Nghị định số 31/2013/NĐ-CP và Thông tư số 05/2013/TT-BLĐTBXH
thì bệnh binh nếu mắc thêm bệnh do chất độc hóa học thì được giám định tổng họp
để hưởng trợ cấp bệnh binh (không hưởng chế độ người hoạt động kháng chiến bị
nhiễm chất độc hóa học). Tuy nhiên quy định này chỉ áp dụng đối với trường hợp
lập hồ sơ từ ngày 01/6/2013 trở về sau. Đối với người đang hưởng 2 chế độ trước
01/6/2013 thì sau ngày 31/12/2013 chuyển sang hưởng trợ cấp đối với bệnh binh
và trợ cấp đối với người hoạt động kháng chiến bị nhiễm chất độc hóa học suy giảm
khả năng lao động từ 41-60% (mức 3 mới).
- 'Theo quy định tại Khoản 1 Điều 6 Mục 1 Chương II Thông tư số 04/2016/TT-NHNN
ngày 15/4/2016 quy định về việc lưu ký và sử dụng giấy tờ có giá tại NHNN, hồ
sơ mở tài khoản lưu ký giấy tờ có giá gồm:(i) Giấy đề nghị mở tài khoản lưu ký
giấy tờ có giá theo phụ lục 1a/LK đính kèm Thông tư này;(ii) Bản đăng ký mẫu dấu,
chữ ký theo Phụ lục 1b/LK đính kèm Thông tư này;(iii) Các giấy tờ chứng minh việc
tổ chức mở tài khoản lưu ký giấy tờ có giá thành lập và hoạt động hợp pháp như:
Quyết định thành lập, giấy phép hoạt động, giấy chứng nhận đăng ký doanh nghiệp
hoặc các giấy tờ khác theo quy định của pháp luật;(iv) Các giấy tờ chứng minh
tư cách đại diện hợp pháp của người đại diện của chủ tài khoản kèm giấy chứng
minh nhân dân hoặc thẻ căn cước công dân hoặc hộ chiếu còn thời hạn của người
đó;(v) Trường hợp tổ chức mở tài khoản lưu ký thuộc đối tượng bắt buộc phải có
chữ ký Kế toán trưởng hoặc người phụ trách kế toán trên chứng từ kế toán giao
dịch với ngân hàng theo quy định của pháp luật thì ngoài các giấy tờ nêu tại điểm
1, 2, 3, 4 nêu trên, hồ sơ mở tài khoản lưu ký giấy tờ có giá phải có quyết định
bổ nhiệm kèm giấy chứng minh nhân dân hoặc thẻ căn cước công dân hoặc hộ chiếu
còn thời hạn của kế toán trưởng (hoặc người phụ trách kế toán) của tổ chức mở
tài khoản lưu ký giấy tờ có giá.* Các giấy tờ quy định tại điểm 1,2 là bản chính,
các giấy tờ quy định tại điểm 3, 4, 5 là bản sao được cấp từ sổ gốc hoặc bản sao
có chứng thực hoặc bản sao kèm xuất trình bản chính để đối chiếu.'
- Khách hàng gọi đến số điện thoại đường dây nóng 1022
- source_sentence: 'Thủ tục: Thủ tục Điều chỉnh giấy phép thành lập Văn phòng đại
diện của thương nhân nước ngoài tại Việt Nam bao gồm hồ sơ gì ? '
sentences:
- 'a) Đơn đề nghị điều chỉnh Giấy phép thành lập Văn phòng đại diện theo mẫu của
Bộ Công Thương do đại diện có thẩm quyền của thương nhân nước ngoài ký;
b) Các tài liệu chứng minh về nội dung thay đổi, cụ thể:
- Trường hợp điều chỉnh Giấy phép do thay đổi tên gọi hoặc địa chỉ đặt trụ sở
của thương nhân nước ngoài: Bản sao tài liệu pháp lý do cơ quan có thẩm quyền
cấp chứng minh sự thay đổi tên gọi hoặc địa chỉ đặt trụ sở của thương nhân nước
ngoài.
- Trường hợp điều chỉnh Giấy phép do thay đổi người đứng đầu của Văn phòng đại
diện: Văn bản của thương nhân nước ngoài cử/bổ nhiệm người đứng đầu mới của Văn
phòng đại diện; Bản sao hộ chiếu hoặc giấy chứng minh nhân dân hoặc thẻ căn cước
công dân (nếu là người Việt Nam) hoặc bản sao hộ chiếu (nếu là người nước ngoài)
của người đứng đầu mới của Văn phòng đại diện; Giấy tờ chứng minh người đứng đầu
cũ của Văn phòng đại diện đã thực hiện nghĩa vụ thuế thu nhập cá nhân đến thời
điểm thay đổi.
 - Trường hợp điều chỉnh Giấy phép do thay đổi địa chỉ đặt trụ sở của Văn phòng
đại diện trong một tỉnh, thành phố trực thuộc Trung ương hoặc trong khu vực địa
lý thuộc phạm vi quản lý của một Ban Quản lý: Bản sao biên bản ghi nhớ hoặc thỏa
thuận thuê địa điểm hoặc bản sao tài liệu chứng minh thương nhân có quyền khai
thác, sử dụng địa điểm để đặt trụ sở Văn phòng đại điện; Bản sao tài liệu về địa
điểm dự kiến đặt trụ sở Văn phòng đại diện theo quy định tại Điều 28 Nghị định
07/2016/NĐ-CP ngày 25/01/2016 của Chính phủ và quy định pháp luật có liên quan.
c) Bản chính Giấy phép thành lập Văn phòng đại diện.'
- ' Bạn phải làm thủ tục "cấp sửa đổi, bổ sung Giấy phép hoạt động tư vấn chuyên
ngành điện thuộc thẩm quyền cấp của địa phương" theo quy định tại Nghị định số 137/2013/NĐ-CP ngày
21/10/2013 của Chính phủ, Nghị định số 08/2018/NĐ-CP ngày 15/01/2018 sửa đổi,
bổ sung một số Nghị định liên quan đến điều kiện đầu tư kinh doanh thuộc phạm
vi quản lý nhà nước của Bộ Công Thương; Thông tư số 36/2018/TT-BCT ngày 16/10/2018
của Bộ Trưởng Bộ Công Thương.
- Thành phần hồ sơ và các biểu mẫu: Được công khai tại Trung tâm Phục vụ hành
chính công tỉnh và Website: dichvucong.quangninh.gov.vn.- Hình thức nộp hồ sơ:
Bạn có thể lựa chọn một trong bốn hình thức: (1) Nộp trực tiếp ở Quầy Sở Công
Thương tại Trung tâm phục vụ Hành chính công tỉnh; (2). Nộp qua dịch vụ Bưu chính
công ích; (3). Nộp qua bưu điện (đơn vị làm dịch vụ bưu phát); (4). Nộp trực tuyến
(qua mạng) tại Website: dichvucong.quangninh.gov.vn.- Trong quá trình thực hiện,
đơn vị cần trao đổi hoặc cần hỗ trợ đề nghị liên lạc (trong giờ hành chính) theo
số điện thoại: 0203.3.634.669 hoặc 1900.558.826, máy lẻ (Sở Công Thương: 221;
222) hoặc Email: [email protected] để được hướng dẫn, trao đổi.'
- 'Đối tượng được xét tuyển vào trường dự bị đại học phải đáp ứng các điều kiện
sau đây:a) Đối tượng được xét tuyển Thí sinh thuộc đối tượng 01 của nhóm ưu tiên
1(ƯT1) và khu vực 1(KV1) quy định tại Quy chế tuyển sinh đại học, cao đẳng hệ
chính quy hiện hành;b) Đối tượng được tuyển thẳng: Thí sinh người dân tộc thiểu
số rất ít người (theo quy định của Chính phủ) đã tốt nghiệp'
- source_sentence: "Thời hạn giải quyết thủ tục cấp lại chứng chỉ hành nghề dược đối\
\ với trường hợp bị mất của công dân Việt Nam, người nước ngoài, \nvà người Việt\
\ Nam định cư ở nước ngoài theo hình thức xét duyệt hồ sơ?"
sentences:
- 05 ngày làm việc kể từ ngày nhận đủ hồ sơ hợp lệ.
- Căn cứ Điều 18 Thông tư Số 66/2014/TT-BCA ngày 16/12/2014 của Bộ Công an quy định
Phương tiện PCCC được kiểm định chủng loại, mẫu mã và thông số kỹ thuật của phương
tiện, kết quả kiểm định được đánh giá và lập biên bản theo mẫu PC18, nếu đạt kết
quả sẽ được cấp giấy chứng nhận kiểm định theo mẫu PC19. Như vậy, biên bản kiểm
định được lập làm căn cứ để cấp giấy chứng nhận kiểm định cho lô phương tiện PCCC
khi đạt kết quả. Như vậy, đơn vị đề nghị kiểm định chỉ nhận được Giấy chứng nhận
kiểm định phương tiện PCCC nếu lô phương tiện đảm bảo các yêu cầu theo quy định.
- Không có
- source_sentence: Hồ sơ thông báo tập trung kinh tế gồm những giấy tờ gì?
sentences:
- 'Theo Khoản 2, Điều 7 Thông tư 25/2013/TT-NHNN: Từ 03 ngày làm việc đến 15 ngày
làm việc'
- 'Trình tự thực hiện Nộp hồ sơ TTHC
- Trường hợp nộp trực tiếp: Tổ chức, cá nhân nộp hồ sơ trực tiếp cho Sở Văn hoá,
Thể thao và Du lịch tại Trung tâm Phục vụ hành chính công tỉnh.
- Trường hợp gửi qua Dịch vụ Bưu chính: Tổ chức, cá nhân gửi hồ sơ qua dịch vụ
Bưu chính, nhân viên Bưu chính nộp hồ sơ trực tiếp cho Sở Văn hoá, Thể thao và
Du lịch tại Trung tâm Phục vục hành chính công tỉnh.
- Qua Dịch vụ công trực tuyến toàn trình: Tổ chức, cá nhân đăng ký/đăng nhập tài
khoản, xác thực định danh điện tử và thực hiện quy trình nộp hồ sơ trực tuyến
trên Cổng dịch vụ công quốc gia (http://dichvucong.gov.vn) và Hệ thống thông tin
giải quyết TTHC tỉnh (dichvucong.hagiang.gov.vn) theo hướng dẫn.'
- Theo Điều 34 Luật Cạnh tranh 2018, hồ sơ thông báo tập trung kinh tế bao gồm:Thông
báo tập trung kinh tế theo mẫu do Ủy ban Cạnh tranh Quốc gia ban hành;Dự thảo
nội dung thỏa thuận tập trung kinh tế hoặc dự thảo hợp đồng, biên bản
ghi nhớ việc tập trung kinh tế giữa các doanh nghiệp;Bản sao hợp lệ Giấy chứng
nhận đăng ký doanh nghiệp hoặc văn bản tương đương của từng doanh nghiệp tham
gia tập trung kinh tế;Báo cáo tài chính của từng doanh nghiệp tham gia tập trung
kinh tế trong 02 năm liên tiếp liền kề trước năm thông báo tập trung kinh tế hoặc
báo cáo tài chính từ thời điểm thành lập đến thời điểm thông báo tập trung kinh
tế đối với doanh nghiệp mới thành lập có xác nhận của tổ chức kiểm toán theo quy
định của pháp luật; Danh sách các công ty mẹ, công ty con, công ty thành viên,
chi nhánh, văn phòng đại diện và các đơn vị phụ thuộc khác của từng doanh nghiệp
tham gia tập trung kinh tế (nếu có);Danh sách các loại hàng hóa, dịch vụ mà từng
doanh nghiệp tham gia tập trung kinh tế đang kinh doanh;Thông tin về thị phần
trong lĩnh vực dự định tập trung kinh tế của từng doanh nghiệp tham gia tập trung
kinh tế trong 02 năm liên tiếp liền kề trước năm thông báo tập trung kinh tế;Phương
án khắc phục khả năng gây tác động hạn chế cạnh tranh của việc tập trung kinh
tế;Báo cáo đánh giá tác động tích cực của việc tập trung kinh tế và các biện pháp
tăng cường tác động tích cực của việc tập trung kinh tế.Ngoài ra, doanh nghiệp
nộp hồ sơ thông báo tập trung kinh tế chịu trách nhiệm về tính trung thực của
hồ sơ. Tài liệu trong hồ sơ bằng tiếng nước ngoài thì phải kèm theo bản dịch tiếng
Việt.
- source_sentence: Thời gian giải quyết thủ tục hành chính đối với 01 bộ hồ sơ quảng
cáo thực phẩm?
sentences:
- 'Căn cứ pháp lý: Điều 48, Nghị định số 59/2015/NĐ-CP ngày 18/6/2015; Khoản 2,
Điều 21, Nghị định số 46/2015/NĐ-CP ngày 12/5/2015. 1. Các Chức danh, gồm:- Trong
khung tên từng bản vẽ phải có tên, chữ ký của người trực tiếp thiết kế, người
kiểm tra thiết kế, chủ trì thiết kế, chủ nhiệm thiết kế, người đại diện theo pháp
luật của nhà thầu thiết kế; và người quản lý kỹ thuật nội bộ.- Trong tập dự toán
phải có tên của người lập, chủ trì lập dự toán và người đại diện theo pháp luật
của nhà thầu lập dự toán;2. Chứng chỉ hoạt động xây dựng yêu cầu đối với chủ trì
thiết kế, chủ nhiệm thiết kế và chủ trì lập dự toán.'
- 'Theo quy định tại khoản 5 Điều 27 Nghị định 15/2018/NĐ-CP: Trong thời hạn 10
ngày làm việc, kể từ ngày nhận đủ hồ sơ hợp lệ, cơ quan tiếp nhận hồ sơ có trách
nhiệm xem xét hồ sơ và trả kết quả theo Mẫu số 11 Phụ lục I ban hành kèm theo
Nghị định 15/2018/NĐ-CP. Thời hạn này được tính từ ngày đóng dấu đến của cơ quan
tiếp nhận hồ sơ nếu hồ sơ được gửi qua đường bưu điện hoặc ngày hồ sơ hoàn chỉnh
được tiếp nhận trên hệ thống dịch vụ công trực tuyến.Trong trường hợp không đồng
ý với nội dung quảng cáo của tổ chức, cá nhân hoặc yêu cầu sửa đổi, bổ sung, cơ
quan tiếp nhận hồ sơ phải có văn bản nêu rõ lý do và căn cứ pháp lý của việc yêu
cầu. Trong thời hạn 10 ngày làm việc kể từ khi nhận hồ sơ sửa đổi, bổ sung, cơ
quan tiếp nhận hồ sơ thẩm định hồ sơ và có văn bản trả lời. Sau 90 ngày làm việc
kể từ khi có công văn yêu cầu sửa đổi, bổ sung nếu tổ chức, cá nhân không sửa
đổi, bổ sung thì hồ sơ không còn giá trị.'
- 'Ngoài các hồ sơ, tài liệu gửi 1 lần và gửi hàng năm theo chế độ quy định, chủ
đầu tư gửi KBNN các hồ sơ, tài liệu có liên quan theo quy định tại tiết 1.5.1,
mục 1.5, và 1.5.1, mục 1.6, điểm 1, phần II, Thông tư số 113/2008/TT-BTC ngày
27/11/2008 của BTC cụ thể: Hồ sơ cam kết chi thường xuyên:- Hợp đồng mua bán hàng
hoá, dịch vụ có giá trị từ 100 triệu đồng trở lên (gửi lần đầu hoặc khi có điều
chỉnh hợp đồng);- Đề nghị cam kết chi hoặc đề nghị điều chỉnh cam kết chi.Hồ sơ
cam kết chi đầu tư: - Hợp đồng có giá trị từ 500 triệu đồng trở lên (gửi lần đầu
khi đề nghị cam kết chi hoặc gửi khi có điều chỉnh hợp đồng);- Đề nghị cam kết
chi hoặc đề nghị điều chỉnh cam kết chi.'
pipeline_tag: sentence-similarity
model-index:
- name: vietnamese-bi-encoder-fine-tuning-for-law-chatbot
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.5192012288786483
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.7035330261136713
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7703533026113671
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8433179723502304
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5192012288786483
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.23451100870455707
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.15407066052227342
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08433179723502303
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5192012288786483
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.7035330261136713
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7703533026113671
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8433179723502304
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6784984111685612
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6260898983249218
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6315228861090326
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.5099846390168971
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.705837173579109
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7642089093701997
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8402457757296466
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5099846390168971
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.23527905785970302
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.15284178187403993
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08402457757296465
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5099846390168971
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.705837173579109
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7642089093701997
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8402457757296466
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6730215261533721
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6197422158827693
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.625183882393767
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.5023041474654378
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.695084485407066
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7634408602150538
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8348694316436251
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5023041474654378
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.23169482846902198
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.15268817204301074
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0834869431643625
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5023041474654378
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.695084485407066
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7634408602150538
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8348694316436251
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6662572650809209
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6124750079243174
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6181528055332479
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.4838709677419355
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6674347158218126
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7480798771121352
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8210445468509985
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.4838709677419355
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.22247823860727084
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.14961597542242702
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08210445468509983
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.4838709677419355
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6674347158218126
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7480798771121352
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8210445468509985
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6486762179767267
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.5938781605832305
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6001217679704338
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.44623655913978494
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6382488479262672
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7158218125960062
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.7987711213517665
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.44623655913978494
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.21274961597542244
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1431643625192012
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.07987711213517665
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.44623655913978494
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6382488479262672
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7158218125960062
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.7987711213517665
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6178085159779514
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.5604372394118942
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.5666545014535384
name: Cosine Map@100
---
# vietnamese-bi-encoder-fine-tuning-for-law-chatbot
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [bkai-foundation-models/vietnamese-bi-encoder](https://huggingface.co/bkai-foundation-models/vietnamese-bi-encoder). 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:** [bkai-foundation-models/vietnamese-bi-encoder](https://huggingface.co/bkai-foundation-models/vietnamese-bi-encoder) <!-- at revision 84f9d9ada0d1a3c37557398b9ae9fcedcdf40be0 -->
- **Maximum Sequence Length:** 256 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
- **Language:** vn
- **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': 256, 'do_lower_case': False}) with Transformer model: RobertaModel
(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("maiduchuy321/vietnamese-bi-encoder-fine-tuning-for-law-chatbot")
# Run inference
sentences = [
'Thời gian giải quyết thủ tục hành chính đối với 01 bộ hồ sơ quảng cáo thực phẩm?',
'Theo quy định tại khoản 5 Điều 27 Nghị định 15/2018/NĐ-CP: Trong thời hạn 10 ngày làm việc, kể từ ngày nhận đủ hồ sơ hợp lệ, cơ quan tiếp nhận hồ sơ có trách nhiệm xem xét hồ sơ và trả kết quả theo Mẫu số 11 Phụ lục I ban hành kèm theo Nghị định 15/2018/NĐ-CP. Thời hạn này được tính từ ngày đóng dấu đến của cơ quan tiếp nhận hồ sơ nếu hồ sơ được gửi qua đường bưu điện hoặc ngày hồ sơ hoàn chỉnh được tiếp nhận trên hệ thống dịch vụ công trực tuyến.Trong trường hợp không đồng ý với nội dung quảng cáo của tổ chức, cá nhân hoặc yêu cầu sửa đổi, bổ sung, cơ quan tiếp nhận hồ sơ phải có văn bản nêu rõ lý do và căn cứ pháp lý của việc yêu cầu. Trong thời hạn 10 ngày làm việc kể từ khi nhận hồ sơ sửa đổi, bổ sung, cơ quan tiếp nhận hồ sơ thẩm định hồ sơ và có văn bản trả lời. Sau 90 ngày làm việc kể từ khi có công văn yêu cầu sửa đổi, bổ sung nếu tổ chức, cá nhân không sửa đổi, bổ sung thì hồ sơ không còn giá trị.',
'Ngoài các hồ sơ, tài liệu gửi 1 lần và gửi hàng năm theo chế độ quy định, chủ đầu tư gửi KBNN các hồ sơ, tài liệu có liên quan theo quy định tại tiết 1.5.1, mục 1.5, và 1.5.1, mục 1.6, điểm 1, phần II, Thông tư số 113/2008/TT-BTC ngày 27/11/2008 của BTC cụ thể: Hồ sơ cam kết chi thường xuyên:- Hợp đồng mua bán hàng hoá, dịch vụ có giá trị từ 100 triệu đồng trở lên (gửi lần đầu hoặc khi có điều chỉnh hợp đồng);- Đề nghị cam kết chi hoặc đề nghị điều chỉnh cam kết chi.Hồ sơ cam kết chi đầu tư: - Hợp đồng có giá trị từ 500 triệu đồng trở lên (gửi lần đầu khi đề nghị cam kết chi hoặc gửi khi có điều chỉnh hợp đồng);- Đề nghị cam kết chi hoặc đề nghị điều chỉnh cam kết chi.',
]
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.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5192 |
| cosine_accuracy@3 | 0.7035 |
| cosine_accuracy@5 | 0.7704 |
| cosine_accuracy@10 | 0.8433 |
| cosine_precision@1 | 0.5192 |
| cosine_precision@3 | 0.2345 |
| cosine_precision@5 | 0.1541 |
| cosine_precision@10 | 0.0843 |
| cosine_recall@1 | 0.5192 |
| cosine_recall@3 | 0.7035 |
| cosine_recall@5 | 0.7704 |
| cosine_recall@10 | 0.8433 |
| cosine_ndcg@10 | 0.6785 |
| cosine_mrr@10 | 0.6261 |
| **cosine_map@100** | **0.6315** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.51 |
| cosine_accuracy@3 | 0.7058 |
| cosine_accuracy@5 | 0.7642 |
| cosine_accuracy@10 | 0.8402 |
| cosine_precision@1 | 0.51 |
| cosine_precision@3 | 0.2353 |
| cosine_precision@5 | 0.1528 |
| cosine_precision@10 | 0.084 |
| cosine_recall@1 | 0.51 |
| cosine_recall@3 | 0.7058 |
| cosine_recall@5 | 0.7642 |
| cosine_recall@10 | 0.8402 |
| cosine_ndcg@10 | 0.673 |
| cosine_mrr@10 | 0.6197 |
| **cosine_map@100** | **0.6252** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.5023 |
| cosine_accuracy@3 | 0.6951 |
| cosine_accuracy@5 | 0.7634 |
| cosine_accuracy@10 | 0.8349 |
| cosine_precision@1 | 0.5023 |
| cosine_precision@3 | 0.2317 |
| cosine_precision@5 | 0.1527 |
| cosine_precision@10 | 0.0835 |
| cosine_recall@1 | 0.5023 |
| cosine_recall@3 | 0.6951 |
| cosine_recall@5 | 0.7634 |
| cosine_recall@10 | 0.8349 |
| cosine_ndcg@10 | 0.6663 |
| cosine_mrr@10 | 0.6125 |
| **cosine_map@100** | **0.6182** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.4839 |
| cosine_accuracy@3 | 0.6674 |
| cosine_accuracy@5 | 0.7481 |
| cosine_accuracy@10 | 0.821 |
| cosine_precision@1 | 0.4839 |
| cosine_precision@3 | 0.2225 |
| cosine_precision@5 | 0.1496 |
| cosine_precision@10 | 0.0821 |
| cosine_recall@1 | 0.4839 |
| cosine_recall@3 | 0.6674 |
| cosine_recall@5 | 0.7481 |
| cosine_recall@10 | 0.821 |
| cosine_ndcg@10 | 0.6487 |
| cosine_mrr@10 | 0.5939 |
| **cosine_map@100** | **0.6001** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.4462 |
| cosine_accuracy@3 | 0.6382 |
| cosine_accuracy@5 | 0.7158 |
| cosine_accuracy@10 | 0.7988 |
| cosine_precision@1 | 0.4462 |
| cosine_precision@3 | 0.2127 |
| cosine_precision@5 | 0.1432 |
| cosine_precision@10 | 0.0799 |
| cosine_recall@1 | 0.4462 |
| cosine_recall@3 | 0.6382 |
| cosine_recall@5 | 0.7158 |
| cosine_recall@10 | 0.7988 |
| cosine_ndcg@10 | 0.6178 |
| cosine_mrr@10 | 0.5604 |
| **cosine_map@100** | **0.5667** |
<!--
## 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 Dataset
#### Unnamed Dataset
* Size: 11,711 training samples
* Columns: <code>Câu hỏi</code> and <code>Câu trả lời</code>
* Approximate statistics based on the first 1000 samples:
| | Câu hỏi | Câu trả lời |
|:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 38.26 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 143.99 tokens</li><li>max: 256 tokens</li></ul> |
* Samples:
| Câu hỏi | Câu trả lời |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Phòng thử nghiệm của tổ chức, doanh nghiệp chỉ thực hiện hoạt động thử nghiệm phục vụ kiểm soát chất lượng sản phẩm do chính tổ chức, doanh nghiệp sản xuất ra thì có phải thực hiện đăng ký hoạt động thử nghiệm theo Nghị định số 107/2016/NĐ-CP không?</code> | <code>Tại khoản 1 Điều 2 Nghị định số 107/2016/NĐ-CP quy định Nghị định này áp dụng đối với các tổ chức, doanh nghiệp có hoạt động kinh doanh dịch vụ đánh giá sự phù hợp (thử nghiệm, chứng nhận, giám định, kiểm định) trên lãnh thổ Việt Nam. Do đó, trong trường hợp này, tổ chức, doanh nghiệp không phải thực hiện đăng ký hoạt động thử nghiệm theo quy định tại Nghị định số 107/2016/NĐ-CP. Trường hợp, tổ chức, doanh nghiệp có nhu cầu cung cấp dịch vụ thử nghiệm thì phải thực hiện đăng ký hoạt động thử nghiệm theo quy định tại Nghị định số 107/2016/NĐ-CP.</code> |
| <code>Sửa đổi, bổ sung Giấy chứng nhận đủ điều kiện hoạt động điểm cung cấp dịch vụ trò chơi điện tử công cộng trong trường hợp nào?; cách thức thực hiện như thế nào; thời gian thực thực hiện trong bao lâu?</code> | <code>Sửa đổi, bổ sung trong thời hạn hiệu lực của Giấy chứng nhận đủ điều kiện hoạt động điểm cung cấp dịch vụ trò chơi điện tử công cộng, chủ điểm cung cấp dịch vụ trò chơi điện tử công cộng phải làm thủ tục sửa đổi, bổ sung giấy chứng nhận đủ điều kiện hoạt động điểm cung cấp dịch vụ trò chơi điện tử công cộng đã được cấp thuộc một trong các trường hợp sau đây: Thay đổi tên điểm cung cấp dịch vụ trò chơi điện tử công cộng; Thay đổi chủ điểm cung cấp dịch vụ trò chơi điện tử công cộng đối với trường hợp chủ điểm là cá nhân hoặc thay đổi người quản lý trực tiếp điểm cung cấp dịch vụ trò chơi điện tử công cộng đối với trường hợp chủ điểm là tổ chức, doanh nghiệp; Cách thức thực hiện: cá nhân có thể gửi hồ sơ trực tiếp hoặc gửi trực tuyến qua cổng dịch vụ công tỉnh Hà Giang; Thời gian thực hiện trong 05 ngày làm việc, kể từ ngày nhận đủ hồ sơ hợp lệ.</code> |
| <code>Đối với trường hợp đại lý đã được cấp trước đây có được phép hoạt động đến hết thời hạn trong Giấy chứng nhận đủ điều kiện kinh doanh dược không? Hay hướng dẫn các đại lý chuyển đổi qua quầy thuốc ngay khi Nghị định 54/2017/NĐ-CP ngày 08/5/2017 của Chính phủ có hiệu lực? Theo quy định của Luật Dược 2016 không còn loại hình bán lẻ thuốc là đại lý thuốc.</code> | <code>Khoản 1 Điều 115 Luật dược quy định về điều khoản chuyển tiếp, theo đó:“Cơ sở kinh doanh dược đã được cấp Giấy chứng nhận đủ điều kiện kinh doanh dượctheo quy định của Luật dược 34/2005/QH11 được tiếp tục kinh doanh thuốc cho đếnhết thời hạn hiệu lực của Giấy chứng nhận đủ điều kiện kinh doanh dược”. Nhưvậy, các đại lý bán lẻ thuốc đã được cấp Giấy chứng nhận đủ điều kiện kinhdoanh dược được phép hoạt động đến hết thời hạn ghi trên Giấy chứng nhận đủđiều kiện kinh doanh dược. Việc các đại lý muốn chuyển đổi thành quầy thuốc thìphải đáp ứng các quy định về điều kiện và địa bàn hoạt động đối với quầy thuốc</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"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`: 32
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 32
- `learning_rate`: 2e-05
- `num_train_epochs`: 15
- `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
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 32
- `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`: 15
- `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
</details>
### Training Logs
| Epoch | Step | Training 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 |
|:-----------:|:-------:|:-------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 0.8743 | 10 | 3.9132 | - | - | - | - | - |
| 0.9617 | 11 | - | 0.4759 | 0.5066 | 0.5205 | 0.4333 | 0.5227 |
| 1.7486 | 20 | 2.3057 | - | - | - | - | - |
| 1.9235 | 22 | - | 0.5345 | 0.5541 | 0.5686 | 0.4968 | 0.5756 |
| 2.6230 | 30 | 1.3986 | - | - | - | - | - |
| 2.9727 | 34 | - | 0.5586 | 0.5826 | 0.5958 | 0.5223 | 0.5979 |
| 3.4973 | 40 | 0.954 | - | - | - | - | - |
| 3.9344 | 45 | - | 0.5739 | 0.5948 | 0.6079 | 0.5370 | 0.6066 |
| 4.3716 | 50 | 0.6417 | - | - | - | - | - |
| 4.9836 | 57 | - | 0.5865 | 0.6066 | 0.6135 | 0.5488 | 0.6152 |
| 5.2459 | 60 | 0.4711 | - | - | - | - | - |
| 5.9454 | 68 | - | 0.5898 | 0.6140 | 0.6170 | 0.5572 | 0.6196 |
| 6.1202 | 70 | 0.3451 | - | - | - | - | - |
| 6.9945 | 80 | 0.2679 | 0.5957 | 0.6118 | 0.6212 | 0.5627 | 0.6210 |
| 7.8689 | 90 | 0.2066 | - | - | - | - | - |
| 7.9563 | 91 | - | 0.5973 | 0.6140 | 0.6253 | 0.5643 | 0.6268 |
| 8.7432 | 100 | 0.1844 | - | - | - | - | - |
| 8.9180 | 102 | - | 0.5971 | 0.6189 | 0.6271 | 0.5621 | 0.6281 |
| 9.6175 | 110 | 0.1604 | - | - | - | - | - |
| 9.9672 | 114 | - | 0.5993 | 0.6190 | 0.6273 | 0.5646 | 0.6307 |
| 10.4918 | 120 | 0.1507 | - | - | - | - | - |
| 10.9290 | 125 | - | 0.5976 | 0.6181 | 0.6258 | 0.5668 | 0.6305 |
| 11.3661 | 130 | 0.1307 | - | - | - | - | - |
| 11.9781 | 137 | - | 0.5990 | 0.6166 | 0.6251 | 0.5671 | 0.6318 |
| 12.2404 | 140 | 0.1275 | - | - | - | - | - |
| **12.9399** | **148** | **-** | **0.6002** | **0.6174** | **0.6259** | **0.5665** | **0.6314** |
| 13.1148 | 150 | 0.1204 | - | - | - | - | - |
| 13.9891 | 160 | 0.1227 | 0.6004 | 0.6176 | 0.6253 | 0.5668 | 0.6316 |
| 14.4262 | 165 | - | 0.6001 | 0.6182 | 0.6252 | 0.5667 | 0.6315 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.13
- Sentence Transformers: 3.0.1
- Transformers: 4.41.2
- PyTorch: 2.1.2
- Accelerate: 0.30.1
- Datasets: 2.19.1
- 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",
}
```
#### 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.*
-->