metadata

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 model finetuned from intfloat/multilingual-e5-base on the 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
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- grag-go-idf-pos-neg

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): 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("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]

Evaluation

Metrics

Semantic Similarity

Dataset: EmbeddingSimEval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.3639
spearman_cosine	0.3817

Binary Classification

Dataset: BinaryClassifEval
Evaluated with 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

Training Details

Training Dataset

grag-go-idf-pos-neg

Dataset: grag-go-idf-pos-neg at ecbf53b
Size: 6,260 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 24 tokens
mean: 195.35 tokens
max: 429 tokens

min: 8 tokens
mean: 24.36 tokens
max: 75 tokens

0: ~16.40%
1: ~83.60%

	sentence1	sentence2	label
type	string	string	int
details	min: 24 tokens mean: 195.35 tokens max: 429 tokens	min: 8 tokens mean: 24.36 tokens max: 75 tokens	0: ~16.40% 1: ~83.60%

Samples:

sentence1	sentence2	label
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...	`[Commission permanente] (organisation)`	`1`
Procédures et démarches: Consultation de l'appel à projets et dépôt de candidature en ligne ici :http://leaderpia.iledefrance.fr/SESAME-Filieres-France-2030 Bénéficiaires: Professionnel - Chercheur, Établissement de recherche et laboratoire 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.	`[Chercheur] (personne)`	`1`
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). 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 Précision sure les bénéficiaires: Les syndicats des coprop...	`[collectivités territoriales d'implantation] (bénéficiaire)`	`1`

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Evaluation Dataset

grag-go-idf-pos-neg

Dataset: grag-go-idf-pos-neg at ecbf53b
Size: 1,662 evaluation samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 24 tokens
mean: 179.15 tokens
max: 394 tokens

min: 8 tokens
mean: 24.58 tokens
max: 73 tokens

0: ~20.60%
1: ~79.40%

	sentence1	sentence2	label
type	string	string	int
details	min: 24 tokens mean: 179.15 tokens max: 394 tokens	min: 8 tokens mean: 24.58 tokens max: 73 tokens	0: ~20.60% 1: ~79.40%

Samples:

sentence1	sentence2	label
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.	`[projets éligibles] (projet)`	`1`
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.	`petites entreprises innovantes franciliennes --- INCLUT ---> Professionnel - Créateur d'entreprise`	`0`
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.	`Événements rayonnant à l’échelle de l’Île-de-France --- ÉVALUÉ_PAR ---> qualité des contenus`	`1`

Loss: ContrastiveLoss with these parameters:

{
    "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

Click to expand

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

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

@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

@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}
}