---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1473
- loss:CosineSimilarityLoss
base_model: sergeyzh/rubert-mini-frida
widget:
- source_sentence: А если я ИП или самозанятый, получу ли я софинансирование по ПДС?
sentences:
- Возможны программы 'Ипотека без ПВ под залог имеющегося жилья' или 'Нецелевой
кредит под залог'.
- В чем разница между именной и моментальной кредитной картой?
- Да, ИП и самозанятые могут получать софинансирование по ПДС.
- source_sentence: При расторжении договора ПДС сроком до 2 лет возвращается 100%
внесенных средств.
sentences:
- Софинансирование по ПДС зависит от дохода...
- Софинансирование по ПДС — это возможность получить финансовую поддержку от государства
на личные взносы.
- При расторжении договора ПДС сроком от 2 до 7 лет возвращается 100% внесенных
средств и 100% дохода от инвестирования.
- source_sentence: Страхование жизни и здоровья (Лайф) при ипотеке добровольное, но
отказ может повлиять на ставку.
sentences:
- При выполнении определенных условий, участник ПДС имеет право на возврат подоходного
налога до 88 000 рублей ежегодно...
- В каких случаях необходимо нотариальное согласие супруга на передачу недвижимости
в залог по ипотечному договору?
- Оформление полиса страхования жизни и здоровья для ипотеки является добровольным,
однако отказ от него может отразиться на процентной ставке.
- source_sentence: Какие возможности есть для оплаты кредитной картой Сбера через
Apple Pay или Google Pay?
sentences:
- Что представляет собой ипотека?
- Кредитная карта Сбера выпускается на пластике международной платежной системы
МИР.
- Случаи применения двухвизитной схемы ипотечной сделки включают Военную ипотеку,
объекты в залоге, нотариально удостоверяемые сделки, операции по доверенности,
с участием нерезидентов, с предоставлением иного залога, а также ИЖС с использованием
эскроу-счетов...
- source_sentence: Что такое минимальная гарантированная ставка по вкладу?
sentences:
- Нужно ли предоставлять документы о доходах при оформлении ипотеки по программе
'Отказ от финансовых документов'?
- Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей
другому лицу?
- Минимальная гарантированная ставка указывается на первой странице договора вклада
и определяет минимальный доход при хранении вклада до конца срока.
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 sergeyzh/rubert-mini-frida
results:
- task:
type: binary-classification
name: Binary Classification
dataset:
name: binary sts validation
type: binary-sts-validation
metrics:
- type: cosine_accuracy
value: 0.8157181571815718
name: Cosine Accuracy
- type: cosine_accuracy_threshold
value: 0.6679937839508057
name: Cosine Accuracy Threshold
- type: cosine_f1
value: 0.8382978723404255
name: Cosine F1
- type: cosine_f1_threshold
value: 0.5157450437545776
name: Cosine F1 Threshold
- type: cosine_precision
value: 0.7519083969465649
name: Cosine Precision
- type: cosine_recall
value: 0.9471153846153846
name: Cosine Recall
- type: cosine_ap
value: 0.8755934249907517
name: Cosine Ap
- type: cosine_mcc
value: 0.5938990835056142
name: Cosine Mcc
---
# SentenceTransformer based on sergeyzh/rubert-mini-frida
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida). It maps sentences & paragraphs to a 312-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:** [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida)
- **Maximum Sequence Length:** 2048 tokens
- **Output Dimensionality:** 312 dimensions
- **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': 2048, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 312, '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("George2002/duplicates_checker_v1")
# Run inference
sentences = [
'Что такое минимальная гарантированная ставка по вкладу?',
'Минимальная гарантированная ставка указывается на первой странице договора вклада и определяет минимальный доход при хранении вклада до конца срока.',
'Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей другому лицу?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 312]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
## Evaluation
### Metrics
#### Binary Classification
* Dataset: `binary-sts-validation`
* Evaluated with [BinaryClassificationEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)
| Metric | Value |
|:--------------------------|:-----------|
| cosine_accuracy | 0.8157 |
| cosine_accuracy_threshold | 0.668 |
| cosine_f1 | 0.8383 |
| cosine_f1_threshold | 0.5157 |
| cosine_precision | 0.7519 |
| cosine_recall | 0.9471 |
| **cosine_ap** | **0.8756** |
| cosine_mcc | 0.5939 |
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 1,473 training samples
* Columns: sentence1, sentence2, and label
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | - min: 6 tokens
- mean: 19.16 tokens
- max: 58 tokens
| - min: 7 tokens
- mean: 21.22 tokens
- max: 66 tokens
| |
* Samples:
| sentence1 | sentence2 | label |
|:-------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------|:---------------|
| Какие средства не подлежат списанию по исполнительным документам? | Как погасить кредит, если счет арестован? | 0 |
| В случае изменения реквизитов необходимо сообщить в Фонд не позднее 7 дней... | В случае изменения реквизитов необходимо сообщить в Фонд не позднее 10 дней... | 0 |
| Как активировать карту Сбера, чтобы начать ей пользоваться? | После получения кредитной карты никаких дополнительных действий совершать не требуется, можно сразу ей пользоваться. | 1 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 369 evaluation samples
* Columns: sentence1, sentence2, and label
* Approximate statistics based on the first 369 samples:
| | sentence1 | sentence2 | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
| type | string | string | int |
| details | - min: 6 tokens
- mean: 18.25 tokens
- max: 47 tokens
| - min: 7 tokens
- mean: 20.62 tokens
- max: 61 tokens
| |
* Samples:
| sentence1 | sentence2 | label |
|:-----------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------|
| Можно ли забрать деньги из программы долгосрочного сбережения ПДС? | Да, можно при достижении оснований (15 лет, возраст 55/60, особые ситуации) или досрочно согласно таблице выкупных сумм. | 1 |
| Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 000 рублей. | Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 500 рублей. | 0 |
| Закрыть вклад или счет можно в СберБанк Онлайн или в офисе Сбера; при досрочном закрытии срочного вклада теряются проценты. | Прекратить действие вклада или счета можно через интернет-банк СберБанк Онлайн либо в отделении банка; в случае досрочного закрытия срочного вклада начисленные проценты аннулируются. | 1 |
* 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
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `learning_rate`: 5e-06
- `num_train_epochs`: 10
- `warmup_ratio`: 0.1
- `load_best_model_at_end`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
Click to expand
- `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`: 16
- `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-06
- `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`: 0.1
- `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`: 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`: 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`: None
- `hub_always_push`: False
- `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
- `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
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional