Upload folder using huggingface_hub

b99a5ac verified 9 months ago

16.5 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:300
  - loss:CosineSimilarityLoss
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
widget:
  - source_sentence: >-
      dari pihak ibunya saleha dia masih punya pertalian keluarga dengan sutan
      sjahrir perdana menteri pertama indonesia
    sentences:
      - >-
        dari pihak ibunya saleha dia masih punya pertalian keluarga dengan raden
        michael perdana menteri pertama indonesia
      - luas wilayah adalah 2166086 km² dan merupakan pulau terbesar di dunia
      - >-
        berdasarkan kesusastraan india terutama pustaka tamil disebut dengan
        nama sanskerta yāvaka dvīpa dvīpa pulau
  - source_sentence: >-
      kata sel berasal dari kata bahasa latin cellula yang berarti rongga
      ruangan
    sentences:
      - kata sel berasal dari kata bahasa latin yang berarti rongga ruangan
      - >-
        sebagai seorang ekonom smith tidak melupakan akar moralitasnya terutama
        yang tertuang dalam the theory of moral sentiments
      - >-
        ada berbagai macam corak musik dangdut antara lain dangdut melayu
        dangdut masa kini dan dangdut pesisir lagu dangdut tradisional jawa
        sunda dll
  - source_sentence: >-
      antropologi berasal dari kata yunani anthropos yang berarti manusia atau
      orang dan logos yang berarti ilmu
    sentences:
      - >-
        antropologi berasal dari kata anthropos yang berarti manusia dan logos
        yang berarti ilmu
      - >-
        selain di pemerintahan di masa demokrasi liberal parlemen indonesia
        didominasi oleh orang minang
      - >-
        bulan oktober 1898 churchill telah kembali ke inggris dan mulai menulis
        buku the river war yang diterbitkan dalam dua volume pada tahun
        berikutnya
  - source_sentence: >-
      republik indonesia disingkat ri atau republik indonesia adalah negara di
      asia tenggara yang dilintasi garis khatulistiwa dan berada di antara benua
      asia dan australia serta antara samudra pasifik dan samudra hindia
    sentences:
      - karena itu virus tidak dapat disaring dengan penyaring bakteri
      - >-
        republik indonesia disingkat ri atau indonesia adalah negara di asia
        tenggara yang dilintasi garis khatulistiwa dan berada di antara benua
        asia dan australia serta antara samudra pasifik dan samudra hindia
      - >-
        di indonesia perguruan tinggi yang membuka program studi geografi
        sebagai ilmu murni hanya empat perguruan tinggi negeri yaitu universitas
        indonesia ui ugm universitas gadjah mada unp universitas negeri padang
        dan um universitas negeri malang dan satu perguruan tinggi swasta
        universitas muhammadiyah surakarta
  - source_sentence: interaksi ini diekspresikan secara matematis menggunakan persamaan maxwell
    sentences:
      - >-
        bahasa indonesia adalah bahasa dinamis yang terus menyerap katakata dari
        bahasa asing
      - interaksi ini dinyatakan secara matematis menggunakan persamaan maxwell
      - >-
        ptolemeus juga merancang dan menyediakan petunjuk tentang cara membuat
        peta dunia yang dihuni oikoumenè dan provinsi romawi
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: >-
      SentenceTransformer based on
      sentence-transformers/paraphrase-multilingual-mpnet-base-v2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: Unknown
          type: unknown
        metrics:
          - type: pearson_cosine
            value: 0.7599563987028465
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.7409471122290413
            name: Spearman Cosine

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2. It maps sentences & paragraphs to a 256-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: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
Maximum Sequence Length: 512 tokens
Output Dimensionality: 256 dimensions
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': 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})
  (2): Dense({'in_features': 768, 'out_features': 256, 'bias': True, 'activation_function': 'torch.nn.modules.activation.ReLU'})
  (3): Dropout(
    (dropout_layer): Dropout(p=0.2, inplace=False)
  )
  (4): 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("sentence_transformers_model_id")
# Run inference
sentences = [
    'interaksi ini diekspresikan secara matematis menggunakan persamaan maxwell',
    'interaksi ini dinyatakan secara matematis menggunakan persamaan maxwell',
    'ptolemeus juga merancang dan menyediakan petunjuk tentang cara membuat peta dunia yang dihuni oikoumenè dan provinsi romawi',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 256]

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

Evaluation

Metrics

Semantic Similarity

Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.76
spearman_cosine	0.7409

Training Details

Training Dataset

Unnamed Dataset

Size: 300 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 300 samples:
sentence_0 sentence_1 label
type string string float
details
min: 9 tokens
mean: 29.94 tokens
max: 90 tokens

min: 6 tokens
mean: 25.27 tokens
max: 74 tokens

min: 0.0
mean: 0.61
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 9 tokens mean: 29.94 tokens max: 90 tokens	min: 6 tokens mean: 25.27 tokens max: 74 tokens	min: 0.0 mean: 0.61 max: 1.0

Samples:

sentence_0	sentence_1	label
`pada tahun 1953 churchil dianugrahkan penghargaan nobel di bidang literarur karena sumbangan yang ia berikan dalam bukubuku karangannya mengenai bahasa inggris dan sejarah dunia`	`pada tahun 1953 churchill dianugerahi penghargaan nobel di bidang sastra karena sumbangan yang ia berikan dalam bukubuku karangannya mengenai bahasa inggris dan sejarah dunia`	`1.0`
`ada berbagai macam corak musik dangdut antara lain dangdut melayu dangdut asli dangdut masa kini dan dangdut pesisir lagu dangdut tradisional jawa sunda dll`	`ada berbagai macam musik dangdut antara lain dangdut melayu dangdut asli dangdut masa kini dan dangdut pesisir lagu dangdut tradisional jawa sunda dll`	`1.0`
`hal ini bertujuan untuk efisiensi kerja karena dengan banyaknya organ tubuh menjadikan pembagian kerja akan semakin efektif`	`hal ini bertujuan untuk efisiensi kerja karena dengan banyaknya organ tubuh maka pembagian kerja akan semakin efektif`	`1.0`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 20
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: 32
per_device_eval_batch_size: 32
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: 20
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}
tp_size: 0
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: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
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
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
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	spearman_cosine
1.0	10	0.6353
2.0	20	0.6524
3.0	30	0.6610
4.0	40	0.6924
5.0	50	0.6924
6.0	60	0.7067
7.0	70	0.7095
8.0	80	0.7267
9.0	90	0.7181
10.0	100	0.7267
11.0	110	0.7238
12.0	120	0.7295
13.0	130	0.7381
14.0	140	0.7381
15.0	150	0.7409

Framework Versions

Python: 3.11.12
Sentence Transformers: 4.1.0
Transformers: 4.51.3
PyTorch: 2.6.0+cu124
Accelerate: 1.6.0
Datasets: 3.6.0
Tokenizers: 0.21.1

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",
}