--- base_model: jhgan/ko-sroberta-multitask datasets: [] language: [] 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:574417 - loss:MultipleNegativesRankingLoss - loss:CosineSimilarityLoss widget: - source_sentence: 파타키는 아브라함의 결정을 칭찬했고 리파 회장 리차드 케셀은 케이블이 영구적으로 가동되어야 한다고 말했다. sentences: - 이스라엘과 하마스 '일시적인 휴전을 받아들이다' - 리파 회장 리차드 케셀은 "우리가 보기에 케이블이 사용될 수 있다"고 말했다. - 하지만 그들은 그들의 유권자들에게 책임이 있다. - source_sentence: 돛이 네 개 달린 배가 물 위를 항해하고 있다. sentences: - 돛단배가 물 위를 항해하고 있다. - 보스턴 마라톤 결승선에서 발생한 두 번의 폭발 보고 - 레바논의 헤즈볼라 거점 - source_sentence: 딱딱한 모자를 쓴 남자가 건물 프레임 앞에 주차된 빨간 트럭의 침대를 쳐다본다. sentences: - 한 남자가 트럭을 보고 있다. - 한 명은 빨간 스웨터를 입고 다른 한 명은 하얀 스웨터를 입은 두 소년은 덤불 근처의 시멘트 블록에 앉아 있었다. - 남자가 자고 있다. - source_sentence: 벽돌 건물 앞 발코니 뒤에 네 사람이 서 있다. sentences: - 그 사람은 경찰관이다. - 그들은 거실에 앉는다 - 그 단체는 건물 밖에 있다 - source_sentence: 남자가 노래를 부르는 동안 두 남자가 악기를 연주한다. sentences: - 세 번째 남자가 악기를 연주하는 동안 두 남자가 노래를 부른다. - 베이 근처. - 3분의 1이 노래하는 동안 두 남자가 악기를 연주한다. model-index: - name: SentenceTransformer based on jhgan/ko-sroberta-multitask results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: sts dev type: sts-dev metrics: - type: pearson_cosine value: 0.8668233431675435 name: Pearson Cosine - type: spearman_cosine value: 0.870259876274258 name: Spearman Cosine - type: pearson_manhattan value: 0.8619838546671155 name: Pearson Manhattan - type: spearman_manhattan value: 0.8684094795174834 name: Spearman Manhattan - type: pearson_euclidean value: 0.8623159159300648 name: Pearson Euclidean - type: spearman_euclidean value: 0.8686012195776042 name: Spearman Euclidean - type: pearson_dot value: 0.8474110764249254 name: Pearson Dot - type: spearman_dot value: 0.8469132619978514 name: Spearman Dot - type: pearson_max value: 0.8668233431675435 name: Pearson Max - type: spearman_max value: 0.870259876274258 name: Spearman Max --- # SentenceTransformer based on jhgan/ko-sroberta-multitask This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask). 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:** [jhgan/ko-sroberta-multitask](https://huggingface.co/jhgan/ko-sroberta-multitask) - **Maximum Sequence Length:** 128 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': 128, '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 = [ '남자가 노래를 부르는 동안 두 남자가 악기를 연주한다.', '3분의 1이 노래하는 동안 두 남자가 악기를 연주한다.', '세 번째 남자가 악기를 연주하는 동안 두 남자가 노래를 부른다.', ] 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: `sts-dev` * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:-------------------|:-----------| | pearson_cosine | 0.8668 | | spearman_cosine | 0.8703 | | pearson_manhattan | 0.862 | | spearman_manhattan | 0.8684 | | pearson_euclidean | 0.8623 | | spearman_euclidean | 0.8686 | | pearson_dot | 0.8474 | | spearman_dot | 0.8469 | | pearson_max | 0.8668 | | **spearman_max** | **0.8703** | ## Training Details ### Training Datasets #### Unnamed Dataset * Size: 568,640 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 | | | | * Samples: | sentence_0 | sentence_1 | sentence_2 | |:----------------------------------------|:-------------------------------------------------|:--------------------------------------| | 발생 부하가 함께 5% 적습니다. | 발생 부하의 5% 감소와 함께 11. | 발생 부하가 5% 증가합니다. | | 어떤 행사를 위해 음식과 옷을 배급하는 여성들. | 여성들은 음식과 옷을 나눠줌으로써 난민들을 돕고 있다. | 여자들이 사막에서 오토바이를 운전하고 있다. | | 어린 아이들은 그 지식을 얻을 필요가 있다. | 응, 우리 젊은이들 중 많은 사람들이 그걸 배워야 할 것 같아. | 젊은 사람들은 배울 필요가 없다. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### Unnamed Dataset * Size: 5,777 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 | |:-------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------|:------------------| | 시는 드램 시장이 2003년에 2.9% 성장하여 157억 달러, 2004년에는 43% 성장하여 225억 달러가 될 것으로 예상하고 있다고 말했습니다. | 미국 시장은 2003년에 2.1퍼센트가 감소한 30.6억 달러로, 그리고 나서 2004년에 15.7퍼센트가 증가하여 354억 달러로 성장할 것이다. | 0.24 | | 오사마 빈 라덴 부인들 수감 | 인도에서 촬영될 오사마 빈 라덴 영화 | 0.16 | | 파키스탄 전투기, '탈리반 은신처' 폭탄 터뜨리기 | 파키스탄은 시리아 측에 무기 공급을 중단하기를 원한다. | 0.32 | * 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 - `num_train_epochs`: 5 - `batch_sampler`: no_duplicates - `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`: 8 - `per_device_eval_batch_size`: 8 - `per_gpu_train_batch_size`: None - `per_gpu_eval_batch_size`: None - `gradient_accumulation_steps`: 1 - `eval_accumulation_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`: 5 - `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 - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: round_robin
### Training Logs | Epoch | Step | Training Loss | sts-dev_spearman_max | |:------:|:----:|:-------------:|:--------------------:| | 0.3458 | 500 | 0.1504 | - | | 0.6916 | 1000 | 0.1662 | 0.8660 | | 1.0007 | 1447 | - | 0.8678 | | 1.0367 | 1500 | 0.1575 | - | | 1.3824 | 2000 | 0.0539 | 0.8590 | | 1.7282 | 2500 | 0.0406 | - | | 2.0007 | 2894 | - | 0.8703 | ### Framework Versions - Python: 3.11.9 - Sentence Transformers: 3.0.1 - Transformers: 4.41.2 - PyTorch: 2.2.2+cu121 - Accelerate: 0.31.0 - Datasets: 2.20.0 - 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", } ``` #### MultipleNegativesRankingLoss ```bibtex @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} } ```