README.md

metadata

base_model: intfloat/multilingual-e5-large
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:1797
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      МультНайтШоу. Выпуск 1. В гостях Джо Байден, поет Мультимати МультНайтШоу
      - юмористическое нарисованное вечернее шоу, где обсуждаются актуальные
      новости страны и мира, в гости приходят герои настоящего, прошлого и даже
      будущего.В первом выпуске мы обсудим актуальные новости недели, посмотрим
      анимационную версию нового сериала «Дом Дракона», пригласим в нашу студию
      небезызвестного президента США Джо Байдена, увидим новый клип от
      Мультимати и многое другое.
    sentences:
      - 'Информационные технологии: Искусственный интеллект'
      - 'Образование: Высшее образование'
      - >-
        Массовая культура: Юмор и сатира, Новости и политика: Международные
        новости
  - source_sentence: >-
      СarJitsu. 2 сезон, 4 серия. Сушист vs Оксана «Новиков» CarJitsu — бои в
      формате POP MMA, где в вместо ринга бойцы сражаются в салоне автомобиля. В
      этом выпуске встретились эпатаж и мастерство! Дракон и Японский самурай,
      Андрей «Сушист» Мешков и Александр «Оксана» Новиков! Узнайте, кому удалось
      порулить этой машиной! Комментирует YURI THE PROFESSIONAL 18+
    sentences:
      - 'Книги и литература: Комиксы и графические романы'
      - 'Спорт: Борьба, Массовая культура'
      - >-
        Религия и духовность: астрология, События и достопримечательности:
        Комедия и стендап
  - source_sentence: >-
      ВЫПУСК №4 НЕУДОБНЫЙ СТЕНДАП Новогодний выпуск Неудобного Стендапа уже на
      канале! На этот раз за 5000 рублей сразятся Иван Бобровников, Аля
      Кокушкина и Егор Константинов. Комики расскажут свои шутки посетителям
      парка ВДНХ, и выступят в гончарной мастерской, в раздевалке катка и в
      аниме-магазине. Кто заберёт бабло, а кто уйдёт ни с чем определят
      случайные зрители.
    sentences:
      - Массовая культура, Карьера, Изобразительное искусство
      - Хобби и интересы, Транспорт
      - 'Массовая культура: Юмор и сатира'
  - source_sentence: >-
      МАКСИМ НАРОДНЫЙ Выпуск №65 ГОТОВИМ С АКТЁРОМ СЕРИАЛА «САЛЮТ, НАЧАЛЬНИК»
      ДЕНИСОМ ЗАЙНУЛЛИНЫМ В новом выпуске у ведущего канала Максима в гостях
      актёр театра и кино Денис Зайнуллин. Максим и Денис готовят бешбармак. Это
      просто и вкусное блюдо, которое позволит удивить всех гостей. По вопросам
      рекламы пишите на email
    sentences:
      - 'Еда и напитки: Кулинария, Массовая культура'
      - Массовая культура, Фильмы и анимация
      - 'Бизнес и финансы: Бизнес: Бизнес в ИТ'
  - source_sentence: >-
      Роман Юнусов и популярный озвучер Карен Арутюнов попали в клуб богачей В
      новом выпуске шоу «Спортивный Интерес» Рома Юнусов и Карен Арутюнов
      почувствуют себя богатеями или даже мафиози. А всё потому, что им
      предстоит освоить вид спорта, куда без членства в клубе не попасть. Да, мы
      отправили героев на поле для гольфа. Солнце, трава, песок, клюшка - вот
      неполный список того, что мешало ребятам бить по мячу. Ну, а кто выполнил
      драйв и прошёл лунку быстрее оппонента, ты узнаешь, посмотрев выпуск до
      конца.
    sentences:
      - 'Семья и отношения: Уход за пожилыми людьми'
      - Массовая культура, Спорт
      - >-
        Транспорт, Спорт: Автогонки, События и достопримечательности: Спортивные
        события

SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
  (2): Normalize()
)

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("nizamovtimur/multilingual-e5-large-videotags")
# Run inference
sentences = [
    'Роман Юнусов и популярный озвучер Карен Арутюнов попали в клуб богачей В новом выпуске шоу «Спортивный Интерес» Рома Юнусов и Карен Арутюнов почувствуют себя богатеями или даже мафиози. А всё потому, что им предстоит освоить вид спорта, куда без членства в клубе не попасть. Да, мы отправили героев на поле для гольфа. Солнце, трава, песок, клюшка - вот неполный список того, что мешало ребятам бить по мячу. Ну, а кто выполнил драйв и прошёл лунку быстрее оппонента, ты узнаешь, посмотрев выпуск до конца.',
    'Массовая культура, Спорт',
    'Транспорт, Спорт: Автогонки, События и достопримечательности: Спортивные события',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,797 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 12 tokens mean: 117.7 tokens max: 512 tokens	min: 3 tokens mean: 14.94 tokens max: 36 tokens

• Samples:

  sentence_0	sentence_1
  Пример описания по заданному тегу: Техно-Гид Выпуск 16 Новые горизонты домашнего кинотеатра! Сегодня мы погрузимся в мир высоких технологий и рассмотрим, как выбрать идеальную систему для вашего дома. От стерео до многоканального звука – мы разберемся, что действительно важно при покупке. Узнаем о последних новинках рынка домашних кинотеатров и научимся создавать атмосферу настоящего кинозала прямо у себя дома. Подписывайтесь на наш канал, чтобы не пропустить интересные обзоры и полезные советы по выбору бытовой электроники!	Информационные технологии: Бытовая электроника: Домашние развлекательные системы
  Артмеханика. Игра "Угадай технологию". Игра "Угадай технологию".	Информационные технологии, Массовая культура
  Лесенка знаний: мастерство I 2 серия I Рисовальщик В гараже Артура Лиза рисует портрет Макса, только он получается … не похожим на Макса! Надо научиться рисовать, узнав все тонкости художественного искусства. Для этого Артур отправляет Лизу и Макса в прошлое, чтобы они узнали все самые важные секреты изобразительного искусства от древности до наших времен.	Фильмы и анимация: Семейные и детские фильмы, Фильмы и анимация: Фильмы и анимация

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• num_train_epochs: 10
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 8
• per_device_eval_batch_size: 8
• 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: 5e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1
• num_train_epochs: 10
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.0
• 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: False
• 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: batch_sampler
• multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
2.2222	500	0.5639
4.4444	1000	0.1195
6.6667	1500	0.0818
8.8889	2000	0.0728

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.1.1
• Transformers: 4.45.1
• PyTorch: 2.4.1+cu121
• 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",
}

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}
}