| | --- |
| | tags: |
| | - sentence-transformers |
| | - sentence-similarity |
| | - feature-extraction |
| | - dense |
| | - generated_from_trainer |
| | - dataset_size:2665 |
| | - loss:OnlineContrastiveLoss |
| | base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
| | widget: |
| | - source_sentence: CCTG sẽ tự động tái tục cả gốc và lãi khi đến hạn |
| | sentences: |
| | - CCTG không có tính năng tự động tái tục, vốn gốc sẽ chuyển sang lãi suất không |
| | kỳ hạn |
| | - Tính toán chỉ số YTM (Yield to Maturity) cho G-Bond. |
| | - xem sao kê chi tiết dòng tiền ra vào mọi lúc mọi nơi |
| | - source_sentence: gửi tiết kiệm online lãi suất cao hơn tại quầy |
| | sentences: |
| | - nếu đã được bên khác chi trả, bảo hiểm sẽ chỉ trả phần chênh lệch còn thiếu |
| | - miễn phí thường niên trọn đời (không điều kiện) |
| | - gửi tiết kiệm tại quầy được nhận quà tặng hiện vật |
| | - source_sentence: ưu đãi thanh toán lệ phí cấp giấy chứng thực |
| | sentences: |
| | - ưu đãi thanh toán cấp chứng thực được tích dặm |
| | - hỗ trợ đóng tiền điện, nước, internet qua ngân hàng số |
| | - Quá trình phân bổ dần giá trị của các tài sản phi vật chất (như bản quyền, phần |
| | mềm, bằng sáng chế) vào chi phí qua các năm. |
| | - source_sentence: mọi sửa đổi điều khoản sẽ có hiệu lực nếu khách hàng tiếp tục sử |
| | dụng dịch vụ |
| | sentences: |
| | - tiết kiệm có kỳ hạn 12 tháng tự động quay vòng gốc lãi |
| | - Loại trừ các chi phí phát sinh trong phạm vi 100km từ nơi cư trú chính. |
| | - việc tiếp tục giao dịch đồng nghĩa với việc khách hàng chấp nhận các thay đổi |
| | mới |
| | - source_sentence: đăng ký nhận lãi tiết kiệm hàng tháng thay vì cuối kỳ |
| | sentences: |
| | - lựa chọn Monthly Interest Payout Option cho tài khoản Savings |
| | - không thu phí duy trì dịch vụ hàng tháng nếu đủ điều kiện |
| | - công ty bảo hiểm chỉ thanh toán khi khách hàng cung cấp đủ bằng chứng |
| | pipeline_tag: sentence-similarity |
| | library_name: sentence-transformers |
| | metrics: |
| | - cosine_accuracy |
| | - cosine_accuracy_threshold |
| | - cosine_f1 |
| | - cosine_f1_threshold |
| | - cosine_precision |
| | - cosine_recall |
| | - cosine_ap |
| | - cosine_mcc |
| | model-index: |
| | - name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
| | results: |
| | - task: |
| | type: binary-classification |
| | name: Binary Classification |
| | dataset: |
| | name: mpnet contrastive eval |
| | type: mpnet_contrastive_eval |
| | metrics: |
| | - type: cosine_accuracy |
| | value: 0.8209459459459459 |
| | name: Cosine Accuracy |
| | - type: cosine_accuracy_threshold |
| | value: 0.7716432809829712 |
| | name: Cosine Accuracy Threshold |
| | - type: cosine_f1 |
| | value: 0.8389057750759878 |
| | name: Cosine F1 |
| | - type: cosine_f1_threshold |
| | value: 0.7716432809829712 |
| | name: Cosine F1 Threshold |
| | - type: cosine_precision |
| | value: 0.7976878612716763 |
| | name: Cosine Precision |
| | - type: cosine_recall |
| | value: 0.8846153846153846 |
| | name: Cosine Recall |
| | - type: cosine_ap |
| | value: 0.8921973688043467 |
| | name: Cosine Ap |
| | - type: cosine_mcc |
| | value: 0.6429264691968221 |
| | name: Cosine Mcc |
| | --- |
| | |
| | # SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
| |
|
| | This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-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:** [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) <!-- at revision 4328cf26390c98c5e3c738b4460a05b95f4911f5 --> |
| | - **Maximum Sequence Length:** 512 tokens |
| | - **Output Dimensionality:** 768 dimensions |
| | - **Similarity Function:** Cosine Similarity |
| | <!-- - **Training Dataset:** Unknown --> |
| | <!-- - **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, 'architecture': '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}) |
| | ) |
| | ``` |
| |
|
| | ## 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("DungHugging/mpnet-finetune-full") |
| | # Run inference |
| | sentences = [ |
| | 'đăng ký nhận lãi tiết kiệm hàng tháng thay vì cuối kỳ', |
| | 'lựa chọn Monthly Interest Payout Option cho tài khoản Savings', |
| | 'công ty bảo hiểm chỉ thanh toán khi khách hàng cung cấp đủ bằng chứng', |
| | ] |
| | embeddings = model.encode(sentences) |
| | print(embeddings.shape) |
| | # [3, 768] |
| | |
| | # Get the similarity scores for the embeddings |
| | similarities = model.similarity(embeddings, embeddings) |
| | print(similarities) |
| | # tensor([[1.0000, 0.9182, 0.6618], |
| | # [0.9182, 1.0000, 0.7091], |
| | # [0.6618, 0.7091, 1.0000]]) |
| | ``` |
| |
|
| | <!-- |
| | ### 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 |
| |
|
| | #### Binary Classification |
| |
|
| | * Dataset: `mpnet_contrastive_eval` |
| | * Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator) |
| |
|
| | | Metric | Value | |
| | |:--------------------------|:-----------| |
| | | cosine_accuracy | 0.8209 | |
| | | cosine_accuracy_threshold | 0.7716 | |
| | | cosine_f1 | 0.8389 | |
| | | cosine_f1_threshold | 0.7716 | |
| | | cosine_precision | 0.7977 | |
| | | cosine_recall | 0.8846 | |
| | | **cosine_ap** | **0.8922** | |
| | | cosine_mcc | 0.6429 | |
| | |
| | <!-- |
| | ## 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 |
| | |
| | #### Unnamed Dataset |
| | |
| | * Size: 2,665 training samples |
| | * Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | sentence_0 | sentence_1 | label | |
| | |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------| |
| | | type | string | string | float | |
| | | details | <ul><li>min: 6 tokens</li><li>mean: 14.93 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 18.46 tokens</li><li>max: 55 tokens</li></ul> | <ul><li>min: 0.0</li><li>mean: 0.49</li><li>max: 1.0</li></ul> | |
| | * Samples: |
| | | sentence_0 | sentence_1 | label | |
| | |:---------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------|:-----------------| |
| | | <code>miễn phí thường niên năm đầu tiên</code> | <code>phí thường niên năm đầu cao gấp đôi các năm sau</code> | <code>0.0</code> | |
| | | <code>Tỷ lệ quy đổi là 1 lượt golf đổi được 1 set ăn cho 2 người kèm 2 đồ uống.</code> | <code>Mỗi lượt golf trong tài khoản có thể quy đổi thành một bữa ăn dành cho 02 người bao gồm đồ uống.</code> | <code>1.0</code> | |
| | | <code>Hợp đồng kỳ hạn không chuyển giao (Non-Deliverable Forward - NDF).</code> | <code>Vào ngày đáo hạn, hai bên chỉ thanh toán chênh lệch tỷ giá bằng đồng tiền mạnh (thường là USD) thay vì giao nhận vốn gốc.</code> | <code>1.0</code> | |
| | * Loss: [<code>OnlineContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#onlinecontrastiveloss) |
| | |
| | ### Training Hyperparameters |
| | #### Non-Default Hyperparameters |
| | |
| | - `eval_strategy`: steps |
| | - `per_device_train_batch_size`: 32 |
| | - `per_device_eval_batch_size`: 32 |
| | - `num_train_epochs`: 10 |
| | - `multi_dataset_batch_sampler`: round_robin |
| | |
| | #### 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`: 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`: 10 |
| | - `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 |
| | - `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} |
| | - `parallelism_config`: None |
| | - `deepspeed`: None |
| | - `label_smoothing_factor`: 0.0 |
| | - `optim`: adamw_torch_fused |
| | - `optim_args`: None |
| | - `adafactor`: False |
| | - `group_by_length`: False |
| | - `length_column_name`: length |
| | - `project`: huggingface |
| | - `trackio_space_id`: trackio |
| | - `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 |
| | - `hub_revision`: None |
| | - `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 |
| | - `include_tokens_per_second`: False |
| | - `include_num_input_tokens_seen`: no |
| | - `neftune_noise_alpha`: None |
| | - `optim_target_modules`: None |
| | - `batch_eval_metrics`: False |
| | - `eval_on_start`: False |
| | - `use_liger_kernel`: False |
| | - `liger_kernel_config`: None |
| | - `eval_use_gather_object`: False |
| | - `average_tokens_across_devices`: True |
| | - `prompts`: None |
| | - `batch_sampler`: batch_sampler |
| | - `multi_dataset_batch_sampler`: round_robin |
| | - `router_mapping`: {} |
| | - `learning_rate_mapping`: {} |
| | |
| | </details> |
| | |
| | ### Training Logs |
| | | Epoch | Step | Training Loss | mpnet_contrastive_eval_cosine_ap | |
| | |:------:|:----:|:-------------:|:--------------------------------:| |
| | | 0.5 | 42 | - | 0.5456 | |
| | | 1.0 | 84 | - | 0.7198 | |
| | | 1.5 | 126 | - | 0.7952 | |
| | | 2.0 | 168 | - | 0.8277 | |
| | | 2.5 | 210 | - | 0.8432 | |
| | | 3.0 | 252 | - | 0.8581 | |
| | | 3.5 | 294 | - | 0.8744 | |
| | | 4.0 | 336 | - | 0.8748 | |
| | | 4.5 | 378 | - | 0.8885 | |
| | | 5.0 | 420 | - | 0.8893 | |
| | | 5.5 | 462 | - | 0.8862 | |
| | | 5.9524 | 500 | 0.8565 | - | |
| | | 6.0 | 504 | - | 0.8847 | |
| | | 6.5 | 546 | - | 0.8916 | |
| | | 7.0 | 588 | - | 0.8942 | |
| | | 7.5 | 630 | - | 0.8916 | |
| | | 8.0 | 672 | - | 0.8907 | |
| | | 8.5 | 714 | - | 0.8897 | |
| | | 9.0 | 756 | - | 0.8918 | |
| | | 9.5 | 798 | - | 0.8926 | |
| | | 10.0 | 840 | - | 0.8922 | |
| | |
| | |
| | ### Framework Versions |
| | - Python: 3.12.12 |
| | - Sentence Transformers: 5.1.1 |
| | - Transformers: 4.57.1 |
| | - PyTorch: 2.8.0+cu126 |
| | - Accelerate: 1.11.0 |
| | - Datasets: 4.4.2 |
| | - Tokenizers: 0.22.1 |
| | |
| | ## 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", |
| | } |
| | ``` |
| | |
| | <!-- |
| | ## 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.* |
| | --> |
