File size: 32,465 Bytes
966cb07 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:6260
- loss:ContrastiveLoss
base_model: intfloat/multilingual-e5-base
widget:
- source_sentence: 'Type de project: Le Fonds régional pour le tourisme est destiné
aux actions ayant l''un de ces objectifs : La création, l’adaptation et le développement
de l’offre d’activités et de loisirs ainsi que le renforcement de la sécurisation
des sites touristiques et des visiteurs,La digitalisation de l’offre touristique
pour accélérer la transformation numérique et favoriser l’innovation,La création
d’offres d’hébergements touristiques durables contribuant à l’enrichissement de
l’offre touristique régionale,Le soutien aux évènements gastronomiques d’envergure
régionale. Afin que les professionnels du tourisme s’adaptent et contribuent à
la transition durable de la destination Paris Île-de-France, l’aide régionale
est attribuée sur la base de critères d’éco-conditionnalité.'
sentences:
- '[aide](concept) --- DÉPOSER_DOSSIER_SUR ---> [plateforme en ligne](plateforme)'
- '[modalités d’exploitation] (concept)'
- '[Date de début] (concept)'
- source_sentence: 'Type de project: Actions de valorisation (expos physiques ou virtuelles,
journées d’étude, site internet, publications, documentaires…),Outils de médiation (cartes
et itinéraires papier ou numériques, livrets de visite, outils numériques, multimédia,
parcours d’interprétation…),Dispositifs pédagogiques (mallettes pédagogiques,
Moocs, supports de visite à destination des jeunes…),Événements rayonnant à l’échelle
de l’Île-de-France. Une attention particulière sera portée à la qualité des contenus,
à l’originalité et la pertinence des outils ou actions proposés, et à leur adéquation
avec les publics ciblés.'
sentences:
- '[Clubs sportifs agréés](bénéficiaire) --- ÉLIGIBLE_POUR ---> [Dossier de candidature](document)'
- '[Événements rayonnant à l’échelle de l’Île-de-France](projet) --- ÉVALUÉ_PAR
---> [originalité](critère)'
- '[aide](concept) --- DÉPOSER_DOSSIER_SUR ---> [plateforme en ligne](plateforme)'
- source_sentence: 'Type de project: Actions de valorisation (expos physiques ou virtuelles,
journées d’étude, site internet, publications, documentaires…),Outils de médiation (cartes
et itinéraires papier ou numériques, livrets de visite, outils numériques, multimédia,
parcours d’interprétation…),Dispositifs pédagogiques (mallettes pédagogiques,
Moocs, supports de visite à destination des jeunes…),Événements rayonnant à l’échelle
de l’Île-de-France. Une attention particulière sera portée à la qualité des contenus,
à l’originalité et la pertinence des outils ou actions proposés, et à leur adéquation
avec les publics ciblés.'
sentences:
- '[projets éligibles](projet) --- CONTRIBUE_ANIMATION ---> [résidences étudiantes
à caractère social](lieu)'
- '[adéquation avec les publics ciblés] (critère)'
- '[[email protected]] (email)'
- source_sentence: 'Aide proposée par Région IDF: C''POSSIBLE : Favoriser l''insertion
professionnelle des lycéens
(Nom alternatif de l''aide: École-Entreprise - C''Possible : Favoriser l''insertion
professionnelle des lycéens)'
sentences:
- '[Dossier de candidature](document) --- DISPONIBLE_SUR ---> [mesdemarches.iledefrance.fr](plateforme)'
- '[outils collaboratifs] (concept)'
- '[École-Entreprise - C''Possible] (programme)'
- source_sentence: 'Type de project: Les thématiques abordées, au titre du programme,
comprennent la santé numérique et les risques de dépendance, la protection des
données personnelles et la prévention des situations de harcèlement et de cyberharcèlement
; les interventions questionnent aussi les aspects numériques de la vie affective
et sexuelle et son corollaire de risques tels que le "sexting", le "Revenge porn",
le chantage sexuel et l''impact de la pornographie sur les jeunes. A la demande
des établissements, des focus thématiques peuvent être réalisés sur d''autres
sujets comme la prévention des phénomènes de prostitution des mineurs, les problématiques
liées aux jeux d''argent et de hasard en ligne ou encore la lutte contre la désinformation
à travers une approche d''éducation aux médias et à l''information. Les établissements
bénéficiaires peuvent choisir jusqu''à deux thématiques qu''ils identifient comme
prioritaires.'
sentences:
- '[petites entreprises innovantes franciliennes](bénéficiaire) --- INCLUT --->
[Professionnel - Créateur d''entreprise](bénéficiaire)'
- '[prévention du cyberharcèlement] (thématique)'
- '[appel à projets](projet) --- RÉPOND_À ---> [entreprise](organisation)'
datasets:
- Lettria/GRAG-GO-IDF-Pos-Neg
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
model-index:
- name: SentenceTransformer based on intfloat/multilingual-e5-base
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: EmbeddingSimEval
type: EmbeddingSimEval
metrics:
- type: pearson_cosine
value: 0.3639192711147146
name: Pearson Cosine
- type: spearman_cosine
value: 0.38169322333084305
name: Spearman Cosine
- task:
type: binary-classification
name: Binary Classification
dataset:
name: BinaryClassifEval
type: BinaryClassifEval
metrics:
- type: cosine_accuracy
value: 0.8182912154031288
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.9358570575714111
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.8961525366019748
name: Cosine F1
- type: cosine_f1_threshold
value: 0.8844354152679443
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.8163771712158809
name: Cosine Precision
- type: cosine_recall
value: 0.9932075471698113
name: Cosine Recall
- type: cosine_ap
value: 0.9359358880785346
name: Cosine Ap
---
# SentenceTransformer based on intfloat/multilingual-e5-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) on the [grag-go-idf-pos-neg](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg) dataset. 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:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision d13f1b27baf31030b7fd040960d60d909913633f -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [grag-go-idf-pos-neg](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg)
<!-- - **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': 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): 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("Lettria/idf-go_embedder-contrastive")
# Run inference
sentences = [
'Type de project: Les thématiques abordées, au titre du programme, comprennent la santé numérique et les risques de dépendance, la protection des données personnelles et la prévention des situations de harcèlement et de cyberharcèlement ; les interventions questionnent aussi les aspects numériques de la vie affective et sexuelle et son corollaire de risques tels que le "sexting", le "Revenge porn", le chantage sexuel et l\'impact de la pornographie sur les jeunes. \xa0 A la demande des établissements, des focus thématiques peuvent être réalisés sur d\'autres sujets comme la prévention des phénomènes de prostitution des mineurs, les problématiques liées aux jeux d\'argent et de hasard en ligne ou encore la lutte contre la désinformation à travers une approche d\'éducation aux médias et à l\'information. \xa0 Les établissements bénéficiaires\xa0peuvent choisir jusqu\'à deux thématiques qu\'ils identifient comme prioritaires.',
"[petites entreprises innovantes franciliennes](bénéficiaire) --- INCLUT ---> [Professionnel - Créateur d'entreprise](bénéficiaire)",
'[prévention du cyberharcèlement] (thématique)',
]
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]
```
<!--
### 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.*
-->
## Evaluation
### Metrics
#### Semantic Similarity
* Dataset: `EmbeddingSimEval`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.3639 |
| **spearman_cosine** | **0.3817** |
#### Binary Classification
* Dataset: `BinaryClassifEval`
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:--------------------------|:-----------|
| cosine_accuracy | 0.8183 |
| cosine_accuracy_threshold | 0.9359 |
| cosine_f1 | 0.8962 |
| cosine_f1_threshold | 0.8844 |
| cosine_precision | 0.8164 |
| cosine_recall | 0.9932 |
| **cosine_ap** | **0.9359** |
<!--
## 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 Dataset
#### grag-go-idf-pos-neg
* Dataset: [grag-go-idf-pos-neg](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg) at [ecbf53b](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg/tree/ecbf53b42e74acaa0a5a7263640fb2f3dd53cc05)
* Size: 6,260 training samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | label |
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 24 tokens</li><li>mean: 195.35 tokens</li><li>max: 429 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 24.36 tokens</li><li>max: 75 tokens</li></ul> | <ul><li>0: ~16.40%</li><li>1: ~83.60%</li></ul> |
* Samples:
| sentence1 | sentence2 | label |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------|:---------------|
| <code>Procédures et démarches: L'appel à projets Lycées Éco-Responsables est organisé par la Région tous les ans, en avril. Pour y participer : Rendez-vous sur la plateforme des aides mesdemarches.iledefrance.fr.Compléter votre dossier avec le descriptif et le chiffrage des actions proposées, ainsi que le public visé et les résultats escomptés. L’implication large des acteurs de la communauté scolaire (élèves, enseignants, agents des lycées, direction), les moyens mis en œuvre et la structuration du projet, ainsi que son caractère innovant, seront des critères d’appréciation de la qualité de votre dossier. Selon les capacités de l’enveloppe budgétaire, les bénéficiaires seront informés de la décision votée en Commission permanente entre fin septembre et début octobre 2024. Si le projet est retenu, une notification sera envoyée au proviseur (e) de l’établissement pour informer du projet ou des projets financé(s) et du ou des montant(s) alloué(s). A cela, il est demandé aux établissements...</code> | <code>[Commission permanente] (organisation)</code> | <code>1</code> |
| <code>Procédures et démarches: Consultation de l'appel à projets et dépôt de candidature en ligne ici :http://leaderpia.iledefrance.fr/SESAME-Filieres-France-2030<br>Bénéficiaires: Professionnel - Chercheur, Établissement de recherche et laboratoire<br>Précision sure les bénéficiaires: Le projet est présenté par un unique porteur, prioritairement un organisme ou établissement d'enseignement supérieur et de recherche ou de transfert de technologie, localisé en Île-de-France.Il peut également être porté par une entreprise ou éventuellement par une structure fédérant plusieurs entreprises, voire une entité représentative des entreprises de la filière (telle une fédération professionnelle, un GIE, une association, un pôle de compétitivité...), pour autant que les projets associent étroitement des organismes de recherche franciliens. Dans ce cas, ils doivent obligatoirement être associés à leur gouvernance et à leur programme d'activités.</code> | <code>[Chercheur] (personne)</code> | <code>1</code> |
| <code>Procédures et démarches: Quand déposer la demande ?La demande de subvention doit être déposée avant tout commencement d'exécution.Où déposer la demande ? Le dépôt des demandes de subvention doit se faire sur la plateforme des aides régionales mesdemarches.iledefrance.fr. sélectionner le téléservice « Aides aux copropriétés en difficulté labellisées par la Région: ingénierie et travaux » Qui peut déposer la demande ? L'opérateur chargé du suivi-animation,La collectivité d'implantation,Le cas échéant , le mandataire de la copropriété (syndic, administrateur provisoire).<br>Bénéficiaires: Collectivité ou institution - Autre (GIP, copropriété, EPA...), Collectivité ou institution - Communes de 10 000 à 20 000 hab, Collectivité ou institution - Communes de < 2000 hab, Collectivité ou institution - Département, Collectivité ou institution - EPCI, Collectivité ou institution - EPT / Métropole du Grand Paris, Particulier - Francilien<br>Précision sure les bénéficiaires: Les syndicats des coprop...</code> | <code>[collectivités territoriales d'implantation] (bénéficiaire)</code> | <code>1</code> |
* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
```json
{
"distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
"margin": 0.5,
"size_average": true
}
```
### Evaluation Dataset
#### grag-go-idf-pos-neg
* Dataset: [grag-go-idf-pos-neg](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg) at [ecbf53b](https://huggingface.co/datasets/Lettria/GRAG-GO-IDF-Pos-Neg/tree/ecbf53b42e74acaa0a5a7263640fb2f3dd53cc05)
* Size: 1,662 evaluation samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | label |
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | <ul><li>min: 24 tokens</li><li>mean: 179.15 tokens</li><li>max: 394 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 24.58 tokens</li><li>max: 73 tokens</li></ul> | <ul><li>0: ~20.60%</li><li>1: ~79.40%</li></ul> |
* Samples:
| sentence1 | sentence2 | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
| <code>Type de project: Les projets éligibles doivent être déployés dans les résidences étudiantes à caractère social. Les projets doivent favoriser l’engagement bénévole des résidents et contribuer à l’animation au sein des résidences étudiantes. Ils doivent contribuer à améliorer les conditions de vie dans les résidences (favoriser la sociabilité, le vivre-ensemble, l’appropriation des bâtiments) et enrichir les compétences informelles des étudiants par la réalisation de projets. Le porteur de projet devra prévoir : Une animation collective,Une mise en œuvre du projet ancrée dans le territoire d'implantation de la résidence étudiante,un accompagnement des projets inités.</code> | <code>[projets éligibles] (projet)</code> | <code>1</code> |
| <code>Type de project: Les thématiques abordées, au titre du programme, comprennent la santé numérique et les risques de dépendance, la protection des données personnelles et la prévention des situations de harcèlement et de cyberharcèlement ; les interventions questionnent aussi les aspects numériques de la vie affective et sexuelle et son corollaire de risques tels que le "sexting", le "Revenge porn", le chantage sexuel et l'impact de la pornographie sur les jeunes. A la demande des établissements, des focus thématiques peuvent être réalisés sur d'autres sujets comme la prévention des phénomènes de prostitution des mineurs, les problématiques liées aux jeux d'argent et de hasard en ligne ou encore la lutte contre la désinformation à travers une approche d'éducation aux médias et à l'information. Les établissements bénéficiaires peuvent choisir jusqu'à deux thématiques qu'ils identifient comme prioritaires.</code> | <code>[petites entreprises innovantes franciliennes](bénéficiaire) --- INCLUT ---> [Professionnel - Créateur d'entreprise](bénéficiaire)</code> | <code>0</code> |
| <code>Type de project: Actions de valorisation (expos physiques ou virtuelles, journées d’étude, site internet, publications, documentaires…),Outils de médiation (cartes et itinéraires papier ou numériques, livrets de visite, outils numériques, multimédia, parcours d’interprétation…),Dispositifs pédagogiques (mallettes pédagogiques, Moocs, supports de visite à destination des jeunes…),Événements rayonnant à l’échelle de l’Île-de-France. Une attention particulière sera portée à la qualité des contenus, à l’originalité et la pertinence des outils ou actions proposés, et à leur adéquation avec les publics ciblés.</code> | <code>[Événements rayonnant à l’échelle de l’Île-de-France](projet) --- ÉVALUÉ_PAR ---> [qualité des contenus](critère)</code> | <code>1</code> |
* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
```json
{
"distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
"margin": 0.5,
"size_average": true
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 4
- `per_device_eval_batch_size`: 4
- `gradient_accumulation_steps`: 8
- `num_train_epochs`: 10
- `warmup_steps`: 626
#### 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`: 4
- `per_device_eval_batch_size`: 4
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 8
- `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`: 1.0
- `num_train_epochs`: 10
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 626
- `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
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | EmbeddingSimEval_spearman_cosine | BinaryClassifEval_cosine_ap |
|:------:|:----:|:-------------:|:---------------:|:--------------------------------:|:---------------------------:|
| 7.9744 | 1560 | 0.0021 | 0.0219 | 0.3997 | 0.9399 |
| 9.9681 | 1950 | - | 0.0217 | 0.3817 | 0.9359 |
### Framework Versions
- Python: 3.11.9
- Sentence Transformers: 3.3.1
- Transformers: 4.45.2
- PyTorch: 2.4.1+cu121
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.20.3
## 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",
}
```
#### ContrastiveLoss
```bibtex
@inproceedings{hadsell2006dimensionality,
author={Hadsell, R. and Chopra, S. and LeCun, Y.},
booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
title={Dimensionality Reduction by Learning an Invariant Mapping},
year={2006},
volume={2},
number={},
pages={1735-1742},
doi={10.1109/CVPR.2006.100}
}
```
<!--
## 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.*
--> |