File size: 33,081 Bytes
4f014a0 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 |
---
base_model: ai-forever/ru-en-RoSBERTa
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:19988
- loss:MultipleNegativesRankingLoss
- loss:BatchHardSoftMarginTripletLoss
widget:
- source_sentence: Продам учебники для 1ого класса для русского сектора (по программе
Евро2000). 100 лари
sentences:
- Заказывали картку не подошло по размеру продам за 20 лар размеры длина спины 38.5
обхват в груди 60
- Купите малышку🙏🏻🙏🏻🙏🏻
- 'MacBook air m2 15 Inch 8/512 (фактически два раза быстрее конфигурации 8/256) Макбук
в состояние нового, ни царапинки 5 циклов заряда Оригинальный комплект Комфортный
осмотр Проверки приветствуются! Цена: 3790 лари'
- source_sentence: ⚠️⚠️⚠️⚠️⚠️⚠️⚠️ ОБМЕН НА ЗЕМЕЛЬНЫЙ УЧАСТОК ЯЛТА ИЛИ РЯДОМ⚠️⚠️⚠️⚠️⚠️⚠️ 🔥🔥🔥🔥🔥🔥🔥🔥🔥ЭЛИТНЫЙ
ПРИГОРОД ГОРОДА РОСТОВ НА ДОНУ🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥🔥
sentences:
- Куплю да чемодана больших . Размер 75 -50-30
- Продаю новый перфоратор за 130 лари
- Набор для обучения чтению. Всё новое, 40 лари
- source_sentence: Отдам в хорошие руки ненужные игрушки, всей семьей решили очистить
дом.
sentences:
- Кто продает строительные леса в Москве?
- Ищу работу как разработчик на PHP, можно удаленно, зарплата от 100к.
- Срочно ищу игрушки для детей, кто что продает?
- source_sentence: Продам набор столовых приборов из серебра, 12 персон, в идеальном
состоянии, покупался за 50 тысяч, отдам за 30 тысяч.
sentences:
- Ищу набор столовых приборов, желательно из серебра, в хорошем состоянии, по доступной
цене.
- Ищу крысу декоративную, Москва.
- Нужны строители на строительство дома, оплата хорошая, звоните по номеру в профиле.
- source_sentence: Продаю попугайчика, очень веселый, 5 лет, цена 3000 рублей.
sentences:
- Куплю комнатное растение сирень
- Нужен попугай, люблю этих птичек, вдруг кто-то продает.
- Ищу недорогой автомобиль для поездок по деревне, бюджет до 200 тысяч.
---
# SentenceTransformer based on ai-forever/ru-en-RoSBERTa
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [ai-forever/ru-en-RoSBERTa](https://huggingface.co/ai-forever/ru-en-RoSBERTa) on the match-pairs and clusters datasets. 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:** [ai-forever/ru-en-RoSBERTa](https://huggingface.co/ai-forever/ru-en-RoSBERTa) <!-- at revision 89fb1651989adbb1cfcfdedafd7d102951ad0555 -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 1024 tokens
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
- match-pairs
- clusters
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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': 128, 'do_lower_case': False}) with Transformer model: RobertaModel
(1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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:
```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("poc-embeddings/ru-en-RoSBERTa-trade-magnet")
# Run inference
sentences = [
'Продаю попугайчика, очень веселый, 5 лет, цена 3000 рублей.',
'Нужен попугай, люблю этих птичек, вдруг кто-то продает.',
'Ищу недорогой автомобиль для поездок по деревне, бюджет до 200 тысяч.',
]
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]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Datasets
#### match-pairs
* Dataset: match-pairs
* Size: 536 training samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 536 samples:
| | anchor | positive |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 9 tokens</li><li>mean: 22.15 tokens</li><li>max: 61 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 18.15 tokens</li><li>max: 40 tokens</li></ul> |
* Samples:
| anchor | positive |
|:-----------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------|
| <code>Ищу работу HR-менеджера, опыт 4 года, знание трудового законодательства.</code> | <code>Требуется HR-менеджер с опытом работы и знанием трудового законодательства.</code> |
| <code>Акция на косметику, 3 по цене 2, только до конца недели!</code> | <code>Кто видел скидки на косметику в последних рекламках?</code> |
| <code>Продам ковер ручной работы из шерсти, из Ирана, размер 2х3 метра, состояние отличное, покупался за 150 тысяч, отдам за 100 тысяч.</code> | <code>Ищу ковер из натуральных материалов, размер 2х3 метра, в хорошем состоянии, по адекватной цене.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
#### clusters
* Dataset: clusters
* Size: 19,452 training samples
* Columns: <code>sentence</code> and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence | label |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| type | string | int |
| details | <ul><li>min: 5 tokens</li><li>mean: 49.97 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>0: ~2.30%</li><li>1: ~0.70%</li><li>2: ~0.60%</li><li>3: ~1.40%</li><li>4: ~0.20%</li><li>5: ~0.50%</li><li>6: ~1.60%</li><li>7: ~7.30%</li><li>8: ~0.50%</li><li>9: ~0.90%</li><li>10: ~0.40%</li><li>11: ~13.40%</li><li>12: ~0.70%</li><li>13: ~1.10%</li><li>14: ~1.60%</li><li>15: ~3.80%</li><li>16: ~2.70%</li><li>17: ~1.70%</li><li>18: ~3.40%</li><li>19: ~0.70%</li><li>20: ~1.20%</li><li>21: ~1.00%</li><li>22: ~2.70%</li><li>23: ~3.80%</li><li>24: ~4.20%</li><li>25: ~1.10%</li><li>26: ~4.00%</li><li>27: ~0.70%</li><li>28: ~1.90%</li><li>29: ~0.60%</li><li>30: ~0.90%</li><li>31: ~5.70%</li><li>32: ~1.40%</li><li>33: ~1.60%</li><li>34: ~0.80%</li><li>35: ~3.50%</li><li>36: ~0.50%</li><li>37: ~0.10%</li><li>38: ~0.70%</li><li>39: ~0.40%</li><li>40: ~0.40%</li><li>41: ~0.50%</li><li>42: ~0.10%</li><li>43: ~1.00%</li><li>44: ~1.70%</li><li>45: ~0.40%</li><li>46: ~1.10%</li><li>47: ~0.70%</li><li>48: ~0.70%</li><li>49: ~1.10%</li><li>50: ~0.50%</li><li>51: ~0.20%</li><li>52: ~0.50%</li><li>53: ~0.80%</li><li>54: ~0.70%</li><li>55: ~0.80%</li><li>56: ~0.20%</li><li>57: ~0.70%</li><li>58: ~0.20%</li><li>59: ~0.40%</li><li>60: ~0.30%</li><li>61: ~0.40%</li><li>63: ~0.80%</li><li>64: ~0.20%</li><li>65: ~0.90%</li><li>66: ~0.20%</li><li>67: ~0.20%</li><li>68: ~0.20%</li><li>69: ~0.10%</li><li>70: ~0.20%</li><li>71: ~0.20%</li><li>73: ~0.50%</li><li>74: ~0.10%</li><li>75: ~0.20%</li><li>76: ~0.20%</li><li>78: ~0.30%</li></ul> |
* Samples:
| sentence | label |
|:---------------------------------------------------------------------------------------------------------------------------|:----------------|
| <code>Продам кроссовки New Balance 574 Новые. Размер: 9 US, 42.5 EU Цена: 250 лари Больше моделей в шапке профиля.</code> | <code>31</code> |
| <code>Куплю Новый MagicQ MQ250M</code> | <code>27</code> |
| <code>КУПЛЮ iPhone 6s, 7, 8 возможно с дефектом‼️</code> | <code>15</code> |
* Loss: [<code>BatchHardSoftMarginTripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#batchhardsoftmargintripletloss)
### Evaluation Datasets
#### match-pairs
* Dataset: match-pairs
* Size: 536 evaluation samples
* Columns: <code>anchor</code> and <code>positive</code>
* Approximate statistics based on the first 536 samples:
| | anchor | positive |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 11 tokens</li><li>mean: 21.78 tokens</li><li>max: 45 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 16.61 tokens</li><li>max: 39 tokens</li></ul> |
* Samples:
| anchor | positive |
|:------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| <code>Отдам бульдозер Komatsu, почти новый, Ростов-на-Дону, 4 млн рублей.</code> | <code>Кто продает бульдозер Komatsu в Ростове-на-Дону?</code> |
| <code>Нужен PHP-разработчик, удаленка, ЗП до 150к.</code> | <code>Ищу работу как разработчик на PHP, можно удаленно, зарплата от 100к.</code> |
| <code>Ищу программиста Python, нужен опытный человек, чтобы сделать сайт для компании, пишите в личку, обсудим детали.</code> | <code>Программист python, опыт работы 2 года.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
#### clusters
* Dataset: clusters
* Size: 19,452 evaluation samples
* Columns: <code>sentence</code> and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence | label |
|:--------|:-----------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| type | string | int |
| details | <ul><li>min: 5 tokens</li><li>mean: 48.11 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>0: ~1.80%</li><li>1: ~0.60%</li><li>2: ~0.50%</li><li>3: ~0.40%</li><li>4: ~0.60%</li><li>5: ~0.60%</li><li>6: ~1.80%</li><li>7: ~5.40%</li><li>8: ~0.30%</li><li>9: ~1.00%</li><li>10: ~0.40%</li><li>11: ~13.70%</li><li>12: ~0.70%</li><li>13: ~1.30%</li><li>14: ~1.60%</li><li>15: ~3.70%</li><li>16: ~2.60%</li><li>17: ~1.90%</li><li>18: ~3.60%</li><li>19: ~0.30%</li><li>20: ~0.80%</li><li>21: ~1.20%</li><li>22: ~2.70%</li><li>23: ~3.20%</li><li>24: ~5.30%</li><li>25: ~0.40%</li><li>26: ~4.10%</li><li>27: ~0.80%</li><li>28: ~2.00%</li><li>29: ~0.80%</li><li>30: ~0.70%</li><li>31: ~7.40%</li><li>32: ~1.20%</li><li>33: ~1.30%</li><li>34: ~0.80%</li><li>35: ~2.80%</li><li>36: ~0.50%</li><li>37: ~0.60%</li><li>38: ~0.30%</li><li>39: ~0.10%</li><li>40: ~0.80%</li><li>41: ~1.20%</li><li>42: ~0.40%</li><li>43: ~0.80%</li><li>44: ~2.10%</li><li>45: ~0.60%</li><li>46: ~0.50%</li><li>47: ~0.70%</li><li>48: ~0.60%</li><li>49: ~0.40%</li><li>50: ~0.90%</li><li>51: ~0.20%</li><li>52: ~0.60%</li><li>53: ~1.00%</li><li>54: ~1.10%</li><li>55: ~0.80%</li><li>56: ~0.30%</li><li>57: ~0.80%</li><li>58: ~0.30%</li><li>59: ~0.50%</li><li>60: ~0.30%</li><li>61: ~0.10%</li><li>62: ~0.30%</li><li>63: ~0.70%</li><li>64: ~0.50%</li><li>65: ~0.30%</li><li>66: ~0.60%</li><li>67: ~0.50%</li><li>68: ~0.10%</li><li>69: ~0.30%</li><li>70: ~0.20%</li><li>71: ~0.40%</li><li>72: ~0.10%</li><li>73: ~0.20%</li><li>74: ~0.10%</li><li>75: ~0.10%</li><li>76: ~0.40%</li><li>77: ~0.10%</li><li>78: ~0.30%</li></ul> |
* Samples:
| sentence | label |
|:----------------------------------------------------------------------------------------------------|:----------------|
| <code>Куплю клетчатую сумку с замком, либо подобную, пишите в лс</code> | <code>1</code> |
| <code>asus r 752 l - 1tb HDD, 12gb ddr3, nvidia GeForce 940, intel core i7 5500u - 550 лари.</code> | <code>14</code> |
| <code>срочно Продам геймпад Defender X7 с держателем для телефона Состояние - новый 1300р.</code> | <code>15</code> |
* Loss: [<code>BatchHardSoftMarginTripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#batchhardsoftmargintripletloss)
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 128
- `learning_rate`: 2e-05
- `weight_decay`: 0.022
- `num_train_epochs`: 5
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.17
- `fp16`: True
- `dataloader_num_workers`: 8
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 128
- `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`: 0.022
- `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`: 0.17
- `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`: 8
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`:
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `eval_use_gather_object`: False
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | match-pairs loss | clusters loss |
|:------:|:----:|:-------------:|:----------------:|:-------------:|
| 0.3546 | 50 | 0.6678 | 1.0062 | 0.6543 |
| 0.7092 | 100 | 0.7114 | 0.7569 | 0.6323 |
| 1.0638 | 150 | 0.6571 | 0.7267 | 0.6181 |
| 1.4184 | 200 | 0.6263 | 0.9529 | 0.6057 |
| 1.7730 | 250 | 0.6396 | 0.9458 | 0.5934 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.2.0
- Transformers: 4.44.2
- PyTorch: 2.4.1+cu121
- Accelerate: 0.34.2
- Datasets: 3.0.1
- 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",
}
```
#### 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}
}
```
#### BatchHardSoftMarginTripletLoss
```bibtex
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```
<!--
## 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.*
--> |