gte-vi-base-v1 / README.md

haiFrHust

Update README.md

1bd1636 verified 9 months ago

preview code

raw

history blame contribute delete

17.8 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:130899
  - loss:MultipleNegativesRankingLoss
base_model: Alibaba-NLP/gte-multilingual-base
widget:
  - source_sentence: >-
      Những quản lý này cũng ngày càng tập trung vào quản lý , hoạt động ,
      chương trình và dịch vụ giao hàng lợi ích , và hiệu quả của hệ thống thông
      tin chiến lược lớn của họ .
    sentences:
      - >-
        Các hoạt động của hệ thống thông tin chiến lược của họ là một trong
        những điều mà những người quản lý này đang tập trung vào nhiều hơn .
      - >-
        Tất cả các trường hợp đều nên đi qua cùng một quá trình bất kể họ là ai
        .
      - Eszterhaus viết về những người đàn ông mạnh mẽ .
  - source_sentence: >-
      Hoa kỳ hôm nay là bố trí tổng hợp và đậm kiểu dự đoán trang web đa dạng
      điển hình , gần như mời ngón tay đến điểm và bấm , để theo Christine Hoàng
      Gia thông qua quá trình phẫu thuật thẩm mỹ của cô ấy , để nhảy vào trang
      cá nhân hàng ngày của các vận động viên Olympic , để khám phá những sâu
      thẳm trong cuộc đấu tranh của bô .
    sentences:
      - >-
        Các nhân viên được đảm bảo một khoản lương hưu và lợi ích của chính phủ
        .
      - Tôi rất vui vì ông ấy đã đi xa khỏi chủ đề liên quan đến chất độc .
      - >-
        Trước khi sự tồn tại của trang web hiện đại , các bố trí ngày hôm nay có
        tác dụng với các xu hướng thiết kế web .
  - source_sentence: >-
      Các cửa hàng của các nghệ nhân cá nhân không còn ở đây nữa , nhưng bạn có
      thể ghé thăm một nhà máy dệt lụa , một nhà máy gốm , và phòng tranh nghệ
      thuật dân gian phật sơn , nơi bạn có thể quan sát công nhân làm đèn lồng
      trung quốc , bức tượng đồ gỗ , cuộn vẽ tranh , và cắt các thiết trong giấy
      .
    sentences:
      - Madrasa của sultan hasan đã được xây dựng vào năm 1362 .
      - Sử dụng tên nào ?
      - Có thể xem công trình của những chiếc đèn lồng trung quốc .
  - source_sentence: Khi Linda Wertheimer hỏi anh ta , làm sao chúng ta biết được ?
    sentences:
      - Thành viên ban quản trị cần hai tuần để dọn dẹp trách nhiệm của họ .
      - >-
        Vào ngày đầu tiên , ông ấy thích chuyến đi xuyên qua vùng đất đầm lầy và
        cỏ cỏ .
      - Linda đã hỏi anh ta một câu hỏi .
  - source_sentence: >-
      Dù thế nào đi nữa , tôi sẽ biết ấn độ cuối cùng đã tăng lên từ trạng thái
      thế giới thứ ba khi tôi quay về thăm người thân của mình và những lời đầu
      tiên họ nói là không ăn , ăn , gầy trai .
    sentences:
      - >-
        Ernie Lewis đã trải qua 15 năm trong chính sách tư nhân trước khi tham
        gia hội đồng appalred .
      - >-
        Khi người thân của tôi nói ít về thức ăn , tôi sẽ biết ấn độ đang được
        cải thiện .
      - Phần sớm nhất của thế kỷ bao gồm 12,000 công ty tự động .
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on Alibaba-NLP/gte-multilingual-base
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: xnli vi test
          type: xnli-vi-test
        metrics:
          - type: cosine_accuracy
            value: 0.9982035756111145
            name: Cosine Accuracy
license: mit
datasets:
  - facebook/xnli
language:
  - vi

SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

This is a sentence-transformers model finetuned from Alibaba-NLP/gte-multilingual-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: Alibaba-NLP/gte-multilingual-base
Maximum Sequence Length: 8192 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset: The Vietnamese subsection of the facebook/xnli dataset with 130k triplets.
Language: Vietnamese
License: MIT

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': 8192, 'do_lower_case': False}) with Transformer model: NewModel 
  (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:

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 = [
    'Dù thế nào đi nữa , tôi sẽ biết ấn độ cuối cùng đã tăng lên từ trạng thái thế giới thứ ba khi tôi quay về thăm người thân của mình và những lời đầu tiên họ nói là không ăn , ăn , gầy trai .',
    'Khi người thân của tôi nói ít về thức ăn , tôi sẽ biết ấn độ đang được cải thiện .',
    'Ernie Lewis đã trải qua 15 năm trong chính sách tư nhân trước khi tham gia hội đồng appalred .',
]
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

Triplet

Dataset: xnli-vi-test
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9982

Training Details

Training Dataset

Unnamed Dataset

Size: 130,899 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 1000 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
details	min: 3 tokens mean: 35.19 tokens max: 167 tokens	min: 6 tokens mean: 18.96 tokens max: 64 tokens	min: 6 tokens mean: 19.34 tokens max: 57 tokens

Samples:

sentence_0	sentence_1	sentence_2
`Trong thời gian đó , julius đã lấy được đo lường của anh ta .`	`Julius đã làm việc của mình rồi .`	`Tôi biết anh đã nói với tôi rằng anh không bao giờ đi nhà hàng , bởi vì anh sợ họ sẽ nhổ vào thức ăn của anh .`
`Khi hoàn thiện , các công cụ sẽ cho phép các ứng dụng để đánh giá các dự án công nghệ của họ trong thời gian triển khai để cả hai đảm bảo hoàn thành thành công và cuối cùng , để xác định xem mục tiêu của họ`	`Một khi hoàn thiện các công cụ sẽ được đánh giá nếu mục tiêu được đạt được .`	`Có thường xuyên chiến đấu quanh khu vực của penrith .`
`H ' s , thân yêu tôi .`	`À , con yêu bé nhỏ của ta .`	`Đúng rồi đó .`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 1
fp16: True
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: 1
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: 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: 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
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
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss	xnli-vi-test_cosine_accuracy
0.1222	500	0.3095	-
0.2444	1000	0.1216	0.9976
0.3667	1500	0.1093	-
0.4889	2000	0.103	0.9988
0.6111	2500	0.0934	-
0.7333	3000	0.0929	0.9982
0.8555	3500	0.0847	-
0.9778	4000	0.0966	0.9982
1.0	4091	-	0.9982

Framework Versions

Python: 3.10.12
Sentence Transformers: 4.0.2
Transformers: 4.50.3
PyTorch: 2.6.0+cu124
Accelerate: 0.26.1
Datasets: 3.5.0
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",
}

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}
}