--- base_model: klue/roberta-base library_name: sentence-transformers metrics: - pearson_cosine - spearman_cosine - pearson_manhattan - spearman_manhattan - pearson_euclidean - spearman_euclidean - pearson_dot - spearman_dot - pearson_max - spearman_max pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:7654 - loss:CosineSimilarityLoss widget: - source_sentence: 밥을 먹고 나서 운동하시겠어요, 먹기 전에 하시겠어요? sentences: - 제습기 조정하는 방법을 알려줘 - 금요일에 놀러 가고 싶은지 토요일에 가고 싶은지 말해보겠니? - 이번에 임원들도 오시니 거래처 사람들과 만날 때 늦지 마세요. - source_sentence: 올해 지원 대상에 선정된 42개사는 사업화 자금부터 사업화 촉진 진단, 민간투자 유치 등 기업 규모를 키울 수 있는 각종 지원을 최대 15개월까지 받을 수 있다. sentences: - 체크인 아웃 할 때 소통이나 협조도도 매우 좋습니다 - 작년 용평 지역 강설량은? - 긴급 사태가 선언된 7개 도부현의 지사는 법적인 근거 아래 외출자제와 휴교 등을 요청할 수 있다. - source_sentence: 언제 할머니 칠순 잔치가 잡혀 있나요, 이번달입니까 다음달입니까? sentences: - 그리고 세탁세제와 식용유가 없으니 준비 하세요 - 삼월에 태어난 친구 이름이 어떻게 됩니까? - 비 올 때는 다른 신발 말고 장화를 신었으면 합니다. - source_sentence: 한메일 서비스를 사용할 수 있는 기한이 언제일까요? sentences: - 우리는 코로나19와의 투쟁에서 개발도상국들을 지원해야 할 필요성을 인정한다. - 비 올 때는 높은지대에 텐트 치도록 해. 낮은 지대는 별로야. - 한메일은 언제 서비스를 종료해? - source_sentence: 오늘 제가 해야할 일이 무엇인가요! sentences: - 시내 중심에 위치한 깔끔하고 머무르기 좋은 숙소 입니다. - 가게로 들어가는 문 바로 옆에 오른쪽으로 올라가는 입구가 있어요. - 언제쯤 친구가 여행 갈 수 있겠니? model-index: - name: SentenceTransformer based on klue/roberta-base results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: Unknown type: unknown metrics: - type: pearson_cosine value: 0.3477070578392738 name: Pearson Cosine - type: spearman_cosine value: 0.35560473197486514 name: Spearman Cosine - type: pearson_manhattan value: 0.36738467673522557 name: Pearson Manhattan - type: spearman_manhattan value: 0.36460670798564826 name: Spearman Manhattan - type: pearson_euclidean value: 0.36074511612166327 name: Pearson Euclidean - type: spearman_euclidean value: 0.35482778401649034 name: Spearman Euclidean - type: pearson_dot value: 0.21251170218646828 name: Pearson Dot - type: spearman_dot value: 0.20063256899469895 name: Spearman Dot - type: pearson_max value: 0.36738467673522557 name: Pearson Max - type: spearman_max value: 0.36460670798564826 name: Spearman Max - type: pearson_cosine value: 0.9611295434382598 name: Pearson Cosine - type: spearman_cosine value: 0.922281644313147 name: Spearman Cosine - type: pearson_manhattan value: 0.95182850390749 name: Pearson Manhattan - type: spearman_manhattan value: 0.9211213430736883 name: Spearman Manhattan - type: pearson_euclidean value: 0.9519510086799272 name: Pearson Euclidean - type: spearman_euclidean value: 0.9217056450919558 name: Spearman Euclidean - type: pearson_dot value: 0.9503136478175895 name: Pearson Dot - type: spearman_dot value: 0.9045157489205089 name: Spearman Dot - type: pearson_max value: 0.9611295434382598 name: Pearson Max - type: spearman_max value: 0.922281644313147 name: Spearman Max --- # SentenceTransformer based on klue/roberta-base This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [klue/roberta-base](https://huggingface.co/klue/roberta-base). 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:** [klue/roberta-base](https://huggingface.co/klue/roberta-base) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 tokens - **Similarity Function:** Cosine Similarity ### 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': 512, '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("sentence_transformers_model_id") # Run inference sentences = [ '오늘 제가 해야할 일이 무엇인가요!', '언제쯤 친구가 여행 갈 수 있겠니?', '시내 중심에 위치한 깔끔하고 머무르기 좋은 숙소 입니다.', ] 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 #### Semantic Similarity * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:-------------------|:-----------| | pearson_cosine | 0.3477 | | spearman_cosine | 0.3556 | | pearson_manhattan | 0.3674 | | spearman_manhattan | 0.3646 | | pearson_euclidean | 0.3607 | | spearman_euclidean | 0.3548 | | pearson_dot | 0.2125 | | spearman_dot | 0.2006 | | pearson_max | 0.3674 | | **spearman_max** | **0.3646** | #### Semantic Similarity * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:-------------------|:-----------| | pearson_cosine | 0.9611 | | spearman_cosine | 0.9223 | | pearson_manhattan | 0.9518 | | spearman_manhattan | 0.9211 | | pearson_euclidean | 0.952 | | spearman_euclidean | 0.9217 | | pearson_dot | 0.9503 | | spearman_dot | 0.9045 | | pearson_max | 0.9611 | | **spearman_max** | **0.9223** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 7,654 training samples * Columns: sentence_0, sentence_1, and label * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | label | |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------| | type | string | string | float | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:--------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------|:------------------| | ‘인공지능 반도체 산업 발전전략’의 차질 없는 이행 및 성과점검을 위해 정부와 산·학·연이 참여하는 ‘인공지능 반도체 산업 전략회의’를 구성·운영한다. | 정부, 산업계, 학계, 연구기관이 참여하는 '인공지능 반도체산업전략회의'를 구성하여 '인공지능 반도체산업 발전전략'의 성과를 점검할 예정입니다. | 0.6 | | 예상했던대로 가성비 대비 최고의 위치였어요. | 처음에 예상했던것보다 위치가 훨씬 좋았어요 | 0.54 | | 올해 처음 개최되는 투자유치설명회는 전문투자기관에 홍보할 기회를 얻기 힘든 1인 미디어 스타트업들의 민간 투자유치를 지원할 목적으로 마련됐다. | 이번 발사는 저궤도위성에 이어 정지궤도위성에서 실시간으로 환경 감시 업무를 수행하는 세계 최초의 위성으로 기록됐다. | 0.04 | * Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters: ```json { "loss_fct": "torch.nn.modules.loss.MSELoss" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 16 - `per_device_eval_batch_size`: 16 - `num_train_epochs`: 4 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `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`: 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`: 4 - `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 - `eval_use_gather_object`: False - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin
### Training Logs | Epoch | Step | Training Loss | spearman_max | |:------:|:----:|:-------------:|:------------:| | 0 | 0 | - | 0.3646 | | 1.0 | 479 | - | 0.9133 | | 1.0438 | 500 | 0.0281 | - | | 2.0 | 958 | - | 0.9181 | | 2.0877 | 1000 | 0.006 | 0.9217 | | 3.0 | 1437 | - | 0.9191 | | 3.1315 | 1500 | 0.0036 | - | | 4.0 | 1916 | - | 0.9223 | ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 3.1.1 - 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", } ```