Add new SentenceTransformer model

491393f verified about 2 months ago

17.4 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:68138
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-small
widget:
  - source_sentence: >-
      query: 問題:
      株式取引などで、自己資金に借入れ金を加えることでより大きな損益が生じることを、「梃子の原理」を意味する英語で「何効果」というでしょう? 回答:
      レバレッジ
    sentences:
      - >-
        query: 問題:
        株式取引などで、自己資金に借入れ金を加えることでより大きな損益が生じることを、「梃子の原理」を意味する英語で「何効果」というでしょう? 回答:
        自己資本比率
      - >-
        query: 問題:
        株式取引などで、自己資金に借入れ金を加えることでより大きな損益が生じることを、「梃子の原理」を意味する英語で「何効果」というでしょう? 回答:
        レヴァレッジ
      - 'query: 問題: アジア初のオリンピックの開催地は東京でしたが、アジア初の万国博覧会の開催地はどこの都市だったでしょう? 回答: 大坂'
  - source_sentence: 'query: 問題: 「朕は国家なり」という言葉で有名な、「太陽王」とも呼ばれたフランスの王は誰でしょう? 回答: ルイ14世 (フランス王)'
    sentences:
      - 'query: 問題: 「朕は国家なり」という言葉で有名な、「太陽王」とも呼ばれたフランスの王は誰でしょう? 回答: ルイ十四世'
      - >-
        query: 問題: 「朕は国家なり」という言葉で有名な、「太陽王」とも呼ばれたフランスの王は誰でしょう? 回答: ルイ・フィリップ
        (フランス王)
      - 'query: 問題: 今年2月に、歌手のカーラ・ブルーニと再婚した、現在のフランスの大統領は誰でしょう? 回答: ニコラサルコジ'
  - source_sentence: >-
      query: 問題:
      1932年11月の国際連盟理事会に日本全権として出席した際、満州国不承認が可決したため議場から退場した当時の外務大臣は誰でしょう? 回答: 松岡洋右
    sentences:
      - >-
        query: 問題:
        1932年11月の国際連盟理事会に日本全権として出席した際、満州国不承認が可決したため議場から退場した当時の外務大臣は誰でしょう? 回答:
        満蒙は日本の生命線
      - >-
        query: 問題:
        1932年11月の国際連盟理事会に日本全権として出席した際、満州国不承認が可決したため議場から退場した当時の外務大臣は誰でしょう? 回答:
        松岡満寿男
      - 'query: 問題: ことわざで、「三日飼えば三年恩を忘れず」「歩けば棒に当たる」といえば、共通して登場する動物は何でしょう? 回答: 小型犬'
  - source_sentence: >-
      query: 問題: 昨年9月に休刊したものを引き継ぐ形で今年4月20日に隔週刊として創刊される、双葉社の漫画雑誌は何でしょう? 回答:
      漫画アクション
    sentences:
      - 'query: 問題: パナマ運河を所有している国はパナマですが、スエズ運河を所有している国はどこでしょう? 回答: 埃及'
      - 'query: 問題: 昨年9月に休刊したものを引き継ぐ形で今年4月20日に隔週刊として創刊される、双葉社の漫画雑誌は何でしょう? 回答: 漫画'
      - >-
        query: 問題: 昨年9月に休刊したものを引き継ぐ形で今年4月20日に隔週刊として創刊される、双葉社の漫画雑誌は何でしょう? 回答:
        Weekly漫画アクション
  - source_sentence: 'query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答: 山田長政'
    sentences:
      - >-
        query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答:
        山田仁左衛門
      - 'query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答: 川喜多長政'
      - >-
        query: 問題: 昔の日本住宅によく使われていた、石灰に麻やのりを混ぜたものに、水を加えて練り上げた建築材料を何というでしょう? 回答:
        黒漆喰
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. It maps sentences & paragraphs to a 384-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: intfloat/multilingual-e5-small
Maximum Sequence Length: 512 tokens
Output Dimensionality: 384 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': 512, 'do_lower_case': False, 'architecture': 'BertModel'})
  (1): Pooling({'word_embedding_dimension': 384, '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:

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("Miya67/aiq-scoring-e5-small-wiki")
# Run inference
sentences = [
    'query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答: 山田長政',
    'query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答: 山田仁左衛門',
    'query: 問題: 17世紀初めにシャムに渡り頭領として活躍するも、傷口に毒を塗られて殺害されたという日本人は誰でしょう? 回答: 川喜多長政',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8598, 0.8739],
#         [0.8598, 1.0000, 0.7174],
#         [0.8739, 0.7174, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 68,138 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	min: 28 tokens mean: 46.08 tokens max: 70 tokens	min: 27 tokens mean: 46.4 tokens max: 74 tokens	min: 27 tokens mean: 47.51 tokens max: 75 tokens

Samples:

sentence_0	sentence_1	sentence_2
`query: 問題: トルコが面する2つの海・黒海とマルマラ海を結んでいる海峡は何海峡でしょう? 回答: ボスポラス海峡`	`query: 問題: トルコが面する2つの海・黒海とマルマラ海を結んでいる海峡は何海峡でしょう? 回答: イスタンブル海峡`	`query: 問題: トルコが面する2つの海・黒海とマルマラ海を結んでいる海峡は何海峡でしょう? 回答: 西アジア`
`query: 問題: シャンパンを飲むときなどに用いられる細長いグラスを、ある楽器の名前をとって何グラスというでしょう? 回答: シャンパン・グラス`	`query: 問題: シャンパンを飲むときなどに用いられる細長いグラスを、ある楽器の名前をとって何グラスというでしょう? 回答: シャンパングラス`	`query: 問題: シャンパンを飲むときなどに用いられる細長いグラスを、ある楽器の名前をとって何グラスというでしょう? 回答: カクテル・グラス`
`query: 問題: 年に2度収穫できる「二度芋」といえばジャガイモのことですが、年に3度収穫できることから「三度豆」と呼ばれているのは何でしょう? 回答: インゲンマメ`	`query: 問題: 年に2度収穫できる「二度芋」といえばジャガイモのことですが、年に3度収穫できることから「三度豆」と呼ばれているのは何でしょう? 回答: 隠元豆`	`query: 問題: 年に2度収穫できる「二度芋」といえばジャガイモのことですが、年に3度収穫できることから「三度豆」と呼ばれているのは何でしょう? 回答: マメ科`

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: 64
num_train_epochs: 2
per_device_eval_batch_size: 64
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 64
num_train_epochs: 2
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0
optim: adamw_torch_fused
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1
label_smoothing_factor: 0.0
bf16: False
fp16: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: trackio
eval_strategy: no
per_device_eval_batch_size: 64
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: False
hub_private_repo: None
hub_model_id: None
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: False
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: 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
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_backend: None
ddp_timeout: 1800
fsdp: []
fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.4695	500	0.5994
0.9390	1000	0.3018
1.4085	1500	0.2309
1.8779	2000	0.2088

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.2.3
Transformers: 5.3.0
PyTorch: 2.10.0+cu128
Accelerate: 1.12.0
Datasets: 4.0.0
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}
}