README.md

metadata

base_model: vinai/phobert-base-v2
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:291719
  - loss:TripletLoss
  - loss:MultipleNegativesRankingLoss
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: >-
      nếu thời_gian đến mà họ phải có một cuộc đấu_tranh johny shanon có_thể là
      một người ngạc_nhiên
    sentences:
      - johny nghĩ anh ta là người giỏi nhất trong thị_trấn
      - nếu một cuộc đấu_tranh đã xảy ra johny có_thể ngạc_nhiên đấy
      - jay leno không phải là một diễn_viên hài
  - source_sentence: >-
      các luật_sư tại california nông_thôn hợp_pháp báo_cáo rằng giữa bốn_mươi
      và chín_mươi phần_trăm thẻ xanh của họ đang giữ khách_hàng rời khỏi
      đất_nước này trong suốt thời_gian đại_diện
    sentences:
      - >-
        Đa_số những người cầm thẻ xanh vẫn còn ở trong đất_nước trong khi
        luật_sư của họ đại_diện cho họ .
      - >-
        Theo báo_cáo , một phần_trăm của khách_hàng đang giữ thẻ xanh rời khỏi
        đất_nước trong khi luật_sư của họ vẫn còn đại_diện cho họ .
      - >-
        Những bình_luận này được thảo_luận bởi ủy_ban và được công_bố vào ngày
        12 tháng 1996 . Năm 1996 .
  - source_sentence: >-
      một tình_huống giảm_giá loại 4 là nơi mà mailer làm giảm công_việc yêu_cầu
      bằng cách thay_đổi hành_vi của mình trong những cách hiệu_quả mà không
      phải là dự_đoán hoặc không có vẻ đặc_biệt liên_quan đến bản_chất của
      giảm_giá
    sentences:
      - Tôi đã tạo ra một ngành công_nghiệp bối_rối .
      - Các bưu_phẩm không có khả_năng giảm các công_việc cần_thiết .
      - Một giảm_giá 4 liên_quan đến việc mailer giảm các công_việc cần_thiết .
  - source_sentence: >-
      khu vườn là một sự cống_hiến mạnh_mẽ cho hàng ngàn chiến_binh ireland đã
      chết trong chiến_tranh thế_giới tôi trong khi phục_vụ trong quân_đội anh
    sentences:
      - Lính Ireland không bao_giờ được phục_vụ với người anh .
      - Hàng ngàn lính ireland đã chết trong chiến_tranh thế_giới tôi .
      - Chúng_ta đang ở trong một thị_trấn ở bắc potomac , gần potomac .
  - source_sentence: >-
      Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu chắc
      chắn của việc bắt vít.
    sentences:
      - Có vẻ như nó đã bắt đầu bắt đầu.
      - Hai người đàn ông đang đợi một chuyến đi bên lề đường đất.
      - Không có ngụ ý nào về Tom trong một câu như vậy.
model-index:
  - name: SentenceTransformer based on vinai/phobert-base-v2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts evaluator
          type: sts-evaluator
        metrics:
          - type: pearson_cosine
            value: 0.5792904289945052
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.5984715236620767
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.7080770183005275
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.7153829171866747
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.4587817183925291
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.5290324037028906
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.3238803314104464
            name: Pearson Dot
          - type: spearman_dot
            value: 0.507896687720032
            name: Spearman Dot
          - type: pearson_max
            value: 0.7080770183005275
            name: Pearson Max
          - type: spearman_max
            value: 0.7153829171866747
            name: Spearman Max

SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from vinai/phobert-base-v2. 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: vinai/phobert-base-v2
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• 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: 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:

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("huudan123/stag_123")
# Run inference
sentences = [
    'Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu chắc chắn của việc bắt vít.',
    'Có vẻ như nó đã bắt đầu bắt đầu.',
    'Hai người đàn ông đang đợi một chuyến đi bên lề đường đất.',
]
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-evaluator
• Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.5793
spearman_cosine	0.5985
pearson_manhattan	0.7081
spearman_manhattan	0.7154
pearson_euclidean	0.4588
spearman_euclidean	0.529
pearson_dot	0.3239
spearman_dot	0.5079
pearson_max	0.7081
spearman_max	0.7154

Training Details

Training Hyperparameters

Non-Default Hyperparameters

• overwrite_output_dir: True
• eval_strategy: steps
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• gradient_accumulation_steps: 2
• learning_rate: 1e-05
• num_train_epochs: 15
• lr_scheduler_type: cosine_with_restarts
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• gradient_checkpointing: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: True
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 128
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 2
• eval_accumulation_steps: None
• learning_rate: 1e-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: 15
• max_steps: -1
• lr_scheduler_type: cosine_with_restarts
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• 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: True
• 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: True
• 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
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	stage1 loss	stage2 loss	stage3 loss	sts-evaluator_spearman_max
0	0	-	-	-	-	0.6643
0.0877	100	4.3054	-	-	-	-
0.1754	200	3.93	-	-	-	-
0.2632	300	3.585	-	-	-	-
0.3509	400	3.4482	-	-	-	-
0.4386	500	3.1858	4.3297	2.6006	0.1494	0.7527
0.5263	600	3.141	-	-	-	-
0.6140	700	2.9477	-	-	-	-
0.7018	800	2.6271	-	-	-	-
0.7895	900	2.6175	-	-	-	-
0.8772	1000	2.4931	2.9001	2.3487	0.1593	0.6907
0.9649	1100	2.4516	-	-	-	-
1.0526	1200	2.4662	-	-	-	-
1.1404	1300	2.5022	-	-	-	-
1.2281	1400	2.4325	-	-	-	-
1.3158	1500	2.4058	2.7163	2.1658	0.1392	0.7121
1.4035	1600	2.3305	-	-	-	-
1.4912	1700	2.2677	-	-	-	-
1.5789	1800	2.2555	-	-	-	-
1.6667	1900	2.2275	-	-	-	-
1.7544	2000	2.1846	2.5441	2.1172	0.1293	0.6781
1.8421	2100	2.2007	-	-	-	-
1.9298	2200	2.192	-	-	-	-
2.0175	2300	2.1491	-	-	-	-
2.1053	2400	2.2419	-	-	-	-
2.1930	2500	2.1822	2.4765	2.0476	0.1055	0.6893
2.2807	2600	2.1384	-	-	-	-
2.3684	2700	2.1379	-	-	-	-
2.4561	2800	2.0558	-	-	-	-
2.5439	2900	2.057	-	-	-	-
2.6316	3000	2.0263	2.4108	2.0751	0.0904	0.7016
2.7193	3100	1.9587	-	-	-	-
2.8070	3200	2.0702	-	-	-	-
2.8947	3300	2.0058	-	-	-	-
2.9825	3400	2.0093	-	-	-	-
3.0702	3500	2.0347	2.3948	1.9958	0.0937	0.7131
3.1579	3600	2.0071	-	-	-	-
3.2456	3700	1.9708	-	-	-	-
3.3333	3800	2.027	-	-	-	-
3.4211	3900	1.9432	-	-	-	-
3.5088	4000	1.9245	2.3858	2.0274	0.0831	0.7197
3.5965	4100	1.8814	-	-	-	-
3.6842	4200	1.8619	-	-	-	-
3.7719	4300	1.8987	-	-	-	-
3.8596	4400	1.8764	-	-	-	-
3.9474	4500	1.8908	2.3753	2.0066	0.0872	0.7052
4.0351	4600	1.8737	-	-	-	-
4.1228	4700	1.9289	-	-	-	-
4.2105	4800	1.8755	-	-	-	-
4.2982	4900	1.8542	-	-	-	-
4.3860	5000	1.8514	2.3731	2.0023	0.0824	0.7191
4.4737	5100	1.7939	-	-	-	-
4.5614	5200	1.8126	-	-	-	-
4.6491	5300	1.7662	-	-	-	-
4.7368	5400	1.7448	-	-	-	-
4.8246	5500	1.7736	2.3703	2.0038	0.0768	0.7044
4.9123	5600	1.7993	-	-	-	-
5.0	5700	1.7811	-	-	-	-
5.0877	5800	1.7905	-	-	-	-
5.1754	5900	1.7539	-	-	-	-
5.2632	6000	1.7393	2.3568	2.0173	0.0853	0.7263
5.3509	6100	1.7882	-	-	-	-
5.4386	6200	1.682	-	-	-	-
5.5263	6300	1.7175	-	-	-	-
5.6140	6400	1.6806	-	-	-	-
5.7018	6500	1.6243	2.3715	2.0202	0.0770	0.7085
5.7895	6600	1.7079	-	-	-	-
5.8772	6700	1.6743	-	-	-	-
5.9649	6800	1.6897	-	-	-	-
6.0526	6900	1.668	-	-	-	-
6.1404	7000	1.6806	2.3826	1.9925	0.0943	0.7072
6.2281	7100	1.6394	-	-	-	-
6.3158	7200	1.6738	-	-	-	-
6.4035	7300	1.6382	-	-	-	-
6.4912	7400	1.6109	-	-	-	-
6.5789	7500	1.5864	2.3849	2.0064	0.0831	0.7200
6.6667	7600	1.5838	-	-	-	-
6.7544	7700	1.5776	-	-	-	-
6.8421	7800	1.5904	-	-	-	-
6.9298	7900	1.6198	-	-	-	-
7.0175	8000	1.5661	2.3917	2.0038	0.0746	0.7131
7.1053	8100	1.6253	-	-	-	-
7.1930	8200	1.5564	-	-	-	-
7.2807	8300	1.5947	-	-	-	-
7.3684	8400	1.5982	-	-	-	-
7.4561	8500	1.53	2.3761	2.0162	0.0775	0.7189
7.5439	8600	1.5412	-	-	-	-
7.6316	8700	1.5287	-	-	-	-
7.7193	8800	1.4652	-	-	-	-
7.8070	8900	1.5611	-	-	-	-
7.8947	9000	1.5258	2.3870	1.9896	0.0828	0.7126
7.9825	9100	1.552	-	-	-	-
8.0702	9200	1.5287	-	-	-	-
8.1579	9300	1.4889	-	-	-	-
8.2456	9400	1.4893	-	-	-	-
8.3333	9500	1.5538	2.3810	1.9956	0.0772	0.7181
8.4211	9600	1.4863	-	-	-	-
8.5088	9700	1.4894	-	-	-	-
8.5965	9800	1.4516	-	-	-	-
8.6842	9900	1.4399	-	-	-	-
8.7719	10000	1.4699	2.3991	1.9760	0.0894	0.7122
8.8596	10100	1.4653	-	-	-	-
8.9474	10200	1.4849	-	-	-	-
9.0351	10300	1.4584	-	-	-	-
9.1228	10400	1.4672	-	-	-	-
9.2105	10500	1.4353	2.3906	2.0104	0.0760	0.7154

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.1+cu121
• Accelerate: 0.33.0
• Datasets: 2.20.0
• Tokenizers: 0.19.1

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",
}

TripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification}, 
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

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}
}