e5_ko / README.md
PerRing's picture
Add new SentenceTransformer model
3db5861 verified
|
Raw History Blame Contribute Delete
15 kB
metadata
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:49962
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-large
widget:
  - source_sentence: 'query: 잡지는 인종차별적이고 성차별적인 유머를 제공했다.'
    sentences:
      - 'passage: 잡지는 인종과 성별에 대해 편견적인 농담을 실었다.'
      - 'passage: 잡지는 모든 사람을 존중하는 유머를 제공했다.'
      - 'passage: 그들은 중요하지만 활용도가 낮은 데이터를 보유하고 있었다.'
  - source_sentence: 'query: 칠천 명의 남자들이 도시를 봉쇄했다.'
    sentences:
      - 'passage: 이것으로 인해 몇몇 사람들이 반대했습니다.'
      - 'passage: 칠천 명의 남자들이 도시의 봉쇄를 풀었다.'
      - 'passage: 칠천 명의 사람들이 도시를 포위했다.'
  - source_sentence: 'query: 그들은 얕은 사람들이다.'
    sentences:
      - 'passage: 그들은 깊이 있는 사람들이다.'
      - 'passage: 당신은 사실들을 쉽게 확인할 수 있습니다.'
      - 'passage: 그들은 깊이가 없는 사람들이다.'
  - source_sentence: 'query: CFO 법 보고서에는 24개의 부서와 기관이 명시되어 있습니다.'
    sentences:
      - 'passage: CFO 법 보고서에는 명시된 부서와 기관이 없습니다.'
      - 'passage: CFO 법 보고서에는 명시된 부서와 기관이 24개 있습니다.'
      - 'passage: 준비해야 할 게 너무 많아요.'
  - source_sentence: 'query: 그의 사망 약 30년 후에 극장들은 파괴되었다.'
    sentences:
      - 'passage: 그가 사망한 지 약 30년 후에 극장들이 무너졌다.'
      - 'passage: 그 리조트와 호텔은 소란스럽다는 평가를 받았습니다.'
      - 'passage: 그의 사망 약 30년 후에 극장들은 번창했다.'
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. It maps sentences & paragraphs to a 1024-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-large
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 1024 tokens
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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("PerRing/e5_ko")
# Run inference
sentences = [
    'query: 그의 사망 약 30년 후에 극장들은 파괴되었다.',
    'passage: 그가 사망한 지 약 30년 후에 극장들이 무너졌다.',
    'passage: 그의 사망 약 30년 후에 극장들은 번창했다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

  • Size: 49,962 training samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchor positive negative
    type string string string
    details
    • min: 8 tokens
    • mean: 20.11 tokens
    • max: 68 tokens
    • min: 7 tokens
    • mean: 19.17 tokens
    • max: 62 tokens
    • min: 7 tokens
    • mean: 18.47 tokens
    • max: 48 tokens
  • Samples:
    anchor positive negative
    query: 사람들이 기억하면 당신은 다음 수준으로 물건을 잃게 됩니다. passage: 사람들이 상기하면 당신은 다음 단계로 물건을 잃습니다. passage: 사람들이 기억하지 않으면 당신은 물건을 잃지 않고 유지합니다.
    query: 제 팀의 한 멤버가 당신의 명령을 매우 정확하게 수행할 것입니다. passage: 제 팀원 중 한 명이 당신의 지시를 철저히 이행할 것입니다. passage: 제 팀의 누구도 당신의 명령을 정확히 수행하지 않을 것입니다.
    query: 이 정보는 그들의 것입니다. passage: 이 정보는 그들 소유입니다. passage: 이 정보는 우리 것입니다.
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 2048
  • per_device_eval_batch_size: 2048
  • num_train_epochs: 2
  • warmup_ratio: 0.1
  • gradient_checkpointing: True
  • batch_sampler: no_duplicates

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • prediction_loss_only: True
  • per_device_train_batch_size: 2048
  • per_device_eval_batch_size: 2048
  • 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: 1.0
  • num_train_epochs: 2
  • 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: 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}
  • 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
  • use_liger_kernel: False
  • eval_use_gather_object: False
  • batch_sampler: no_duplicates
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss
0.04 1 5.7804
0.08 2 5.7809
0.12 3 4.8376
0.16 4 3.6166
0.2 5 2.4258
0.24 6 1.2571
0.28 7 0.7152
0.32 8 0.5181
0.36 9 0.359
0.4 10 0.3295
0.44 11 0.2502
0.48 12 0.2256
0.52 13 0.1842
0.56 14 0.1588
0.6 15 0.1614
0.64 16 0.1535
0.68 17 0.14
0.72 18 0.152
0.76 19 0.1221
0.8 20 0.1179
0.84 21 0.1354
0.88 22 0.1349
0.92 23 0.1364
0.96 24 0.1169
1.0 25 0.0863
1.04 26 0.1161
1.08 27 0.1105
1.12 28 0.1067
1.16 29 0.1087
1.2 30 0.1165
1.24 31 0.1082
1.28 32 0.0866
1.32 33 0.0854
1.3600 34 0.0905
1.4 35 0.0809
1.44 36 0.079
1.48 37 0.0665
1.52 38 0.0542
1.56 39 0.06
1.6 40 0.0624
1.6400 41 0.0671
1.6800 42 0.0721
1.72 43 0.0781
1.76 44 0.0531
1.8 45 0.0556
1.8400 46 0.0732
1.88 47 0.0748
1.92 48 0.0773
1.96 49 0.068
2.0 50 0.0347

Framework Versions

  • Python: 3.10.13
  • Sentence Transformers: 3.2.1
  • Transformers: 4.45.2
  • PyTorch: 2.4.1+cu121
  • Accelerate: 1.1.0
  • Datasets: 3.1.0
  • Tokenizers: 0.20.2

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}
}