HiImHa/phobert-bi-encoder

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: 256 tokens
• Output Dimensionality: 768 dimensions
• 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': 256, 'do_lower_case': False, 'architecture': '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("HiImHa/phobert-bi-encoder")
# Run inference
sentences = [
    'Tôi lái_xe không giữ khoảng_cách an_toàn dẫn đến va_chạm với xe phía trước thì bị xử_phạt như_thế_nào ?',
    '[ Nghị_định 168 _ 2024 _ NĐ-CP ] > Chương II > Điều 6 . Xử_phạt , trừ điểm giấy_phép lái_xe của người điều_khiển xe ô_tô , xe chở người bốn bánh có gắn động_cơ , xe chở hàng bốn bánh có gắn động_cơ và các loại xe tương_tự xe ô_tô vi_phạm quy_tắc giao_thông đường_bộ Theo Khoản 4 : Phạt tiền từ 2.000.000 đồng đến 3.000.000 đồng đối_với người điều_khiển xe thực_hiện một trong các hành_vi vi_phạm sau đây : Nội_dung Điểm l : Không giữ khoảng_cách an_toàn để xảy ra va_chạm với xe chạy liền trước hoặc không giữ khoảng_cách theo quy_định của biển_báo hiệu “ Cự_ly tối_thiểu giữa hai xe ” , trừ các hành_vi vi_phạm quy_định tại điểm d khoản 5 Điều này .',
    '[ Thông_tư 38 _ 2024 _ TT-BGTVT ] > Chương I > Điều 2 . Đối_tượng áp_dụng Nội_dung : Thông_tư này áp_dụng đối_với người lái_xe , người điều_khiển xe_máy chuyên_dùng và tổ_chức , cá_nhân liên_quan đến quản_lý và thực_hiện các quy_định về tốc_độ thiết_kế , tốc_độ khai_thác của đường_bộ và khoảng_cách an_toàn của xe_cơ_giới , xe_máy chuyên_dùng khi tham_gia giao_thông trên đường_bộ .',
]
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, 0.8185, 0.1573],
#         [0.8185, 1.0000, 0.1459],
#         [0.1573, 0.1459, 1.0000]])

Evaluation

Metrics

Information Retrieval

• Dataset: bi_eval
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.2298
cosine_accuracy@3	0.5875
cosine_accuracy@5	0.689
cosine_accuracy@10	0.7943
cosine_precision@1	0.2298
cosine_precision@3	0.1958
cosine_precision@5	0.1378
cosine_precision@10	0.0794
cosine_recall@1	0.2298
cosine_recall@3	0.5875
cosine_recall@5	0.689
cosine_recall@10	0.7943
cosine_ndcg@10	0.5122
cosine_mrr@10	0.4214
cosine_map@100	0.429

Training Details

Training Dataset

Unnamed Dataset

• Size: 16,399 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 10 tokens mean: 19.8 tokens max: 36 tokens	min: 29 tokens mean: 88.98 tokens max: 250 tokens

• Samples:

  sentence_0	sentence_1
  Những hành_vi nào của người được chở trên xe mô_tô , xe_gắn_máy bị xử_phạt từ 400.000 đến 600.000 đồng ?	[ Nghị_định 168 _ 2024 _ NĐ-CP ] > Chương II > Điều 12 . Xử_phạt , trừ điểm giấy_phép lái_xe các hành_vi vi_phạm khác về quy_tắc giao_thông đường_bộ ; sử_dụng lòng_đường , vỉa_hè vào mục_đích khác Theo Khoản 5 : Phạt tiền từ 400.000 đồng đến 600.000 đồng đối_với người được chở trên xe mô_tô , xe_gắn_máy , các loại xe tương_tự xe mô_tô , các loại xe tương_tự xe_gắn_máy thực_hiện một trong các hành_vi vi_phạm sau đây : Nội_dung Điểm a : Bám , kéo , đẩy xe khác , vật khác , dẫn_dắt vật_nuôi , mang vác vật cồng_kềnh , đứng trên yên , giá đèo_hàng hoặc ngồi trên tay_lái của xe ;
  Tổng quãng đường đào_tạo thực_hành mà tôi phải đi khi nâng hạng từ B lên C là bao_nhiêu kilomet ?	[ Thông_tư 35 _ 2024 _ TT-BGTVT ] > Chương I > Điều 8 . Đào_tạo nâng hạng giấy_phép lái_xe Theo Khoản 1 : Khối_lượng chương_trình và phân_bổ thời_gian đào_tạo tối_thiểu : Chi_tiết bảng ( Dòng 10 ) : SỐ TT : 3 | NỘI_DUNG : Tổng quãng đường đào_tạo thực_hành của 01 học_viên | ĐƠN_VỊ TÍNH : km | HẠNG GIẤY_PHÉP LÁI_XE - B lên C 1 : 120 | HẠNG GIẤY_PHÉP LÁI_XE - B lên C : 240 | HẠNG GIẤY_PHÉP LÁI_XE - B lên D 1 : 380 | HẠNG GIẤY_PHÉP LÁI_XE - B lên D 2 : 380 | HẠNG GIẤY_PHÉP LÁI_XE - B lên BE : 240
  Chi_phí để lập phương_án tổ_chức giao_thông cho một dự_án đường_cao_tốc mới được tính vào đâu ?	[ Nghị_định 165 _ 2024 _ NĐ-CP ] > Chương_IV > Điều 26 . Lập , thẩm_định , phê_duyệt phương_án tổ_chức giao_thông trước khi đưa đường_cao_tốc vào khai_thác , phê_duyệt điều_chỉnh , bổ_sung phương_án tổ_chức giao_thông đường_cao_tốc trong thời_gian khai_thác Nội_dung Khoản 5 : Chi_phí lập phương_án tổ_chức giao_thông được tính trong chi_phí tư_vấn thiết_kế khi đầu_tư xây_dựng công_trình đường_cao_tốc ; chi_phí khảo_sát , lập phương_án tổ_chức giao_thông điều_chỉnh khi đường_cao_tốc đã đưa vào khai_thác được tính trong chi_phí quản_lý , vận_hành , khai_thác và bảo_trì đường_cao_tốc .

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• num_train_epochs: 5
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• 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: 5
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_ratio: None
• warmup_steps: 0
• log_level: passive
• log_level_replica: warning
• log_on_each_node: True
• logging_nan_inf_filter: True
• enable_jit_checkpoint: False
• save_on_each_node: False
• save_only_model: False
• restore_callback_states_from_checkpoint: False
• use_cpu: False
• seed: 42
• data_seed: None
• bf16: False
• fp16: False
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• local_rank: -1
• ddp_backend: None
• debug: []
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_prefetch_factor: None
• disable_tqdm: False
• remove_unused_columns: True
• label_names: None
• load_best_model_at_end: False
• ignore_data_skip: False
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• 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
• 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
• 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_for_metrics: []
• eval_do_concat_batches: True
• auto_find_batch_size: False
• full_determinism: False
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• 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
• use_cache: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	bi_eval_cosine_ndcg@10
1.0	257	-	0.4887
1.9455	500	0.4220	-
2.0	514	-	0.5036
3.0	771	-	0.5044
3.8911	1000	0.0569	-
4.0	1028	-	0.5122

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 5.2.3
• Transformers: 5.0.0
• PyTorch: 2.10.0+cu128
• Accelerate: 1.12.0
• Datasets: 4.8.3
• Tokenizers: 0.22.2

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",
}

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}
}