Hugging Face's logo

Solomennikova
/
labse_funetuned_hoff

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:86732
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Model card Files
xet
Community

SentenceTransformer based on cointegrated/LaBSE-en-ru

This is a sentence-transformers model finetuned from cointegrated/LaBSE-en-ru. 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: cointegrated/LaBSE-en-ru
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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): Dense({'in_features': 768, 'out_features': 768, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
  (3): 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("Solomennikova/labse_funetuned_hoff")
# Run inference
sentences = [
    'набор кружек',
    '{"product_name": "Каркас кровати Селена цвет кашемир", "Бренд": null, "Цвет": "кашемир", "Материал": null, "description": "Коллекция Селена представлена в трендовых оттенках Сантьяго и Кашемир, что придает ей современный вид. Фасады с покрытием Soft-touch приятны на ощупь и создают уютную атмосферу. В классическом стиле с рамочными фасадами в пленке ПВХ, коллекция также включает утолщенные колпаки модулей с фрезеровкой в древесной пленке. Петли Titus из Словении с возможностью установки демпфера обеспечивают долговечность, а скрытые направляющие с доводчиком гарантируют плавное и бесшумное закрывание ящиков. Цоколи в нижней части моделей добавляют яркий акцент и завершенность дизайну. \\nОснование в комплект не входит.", "Производитель": "Россия"}',
    '{"product_name": "Матрас пружинный MILDEX Memphis 140х200 см", "Бренд": "MILDEX", "Цвет": null, "Материал": null, "description": "Пружинный матрас Memphis средней жёсткости. В основе матраса используется независимый пружинный блок «Hard Pocket» плотностью 500 пружин на спальное место. \\n Уникальная пена повышенной плотности Bi-foam, обладающая анатомическим эффектом, равномерно распределяет нагрузку по всей площади матраса.Природный комбинированный наполнитель Bi-Cocos обеспечивает оптимальную жесткость. Сочетание двух этих материалов с пружинным блоком Hardpocket в матрасе, прекрасно воспринимает даже большие нагрузки, оказывая необходимую анатомическую поддержку, что благоприятно сказывается на качестве сна. \\n Мягкий трикотажный чехол с высокообъёмной стежкой поможет расслабиться после напряженного дня. \\n Особенности:\\n - Использование природных материалов", "Производитель": "Россия"}',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

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

Training Details

Training Dataset

Unnamed Dataset

  • Size: 86,732 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: 3 tokens
    • mean: 5.28 tokens
    • max: 29 tokens
    • min: 51 tokens
    • mean: 126.16 tokens
    • max: 512 tokens
  • Samples:
    sentence_0 sentence_1
    комод {"product_name": "Придиванный стол Агами", "Бренд": null, "Цвет": "Белый,Чёрный", "Материал": null, "description": "Компактный, устойчивый, многофункциональный – набор качеств придиванного стола Агами делает его отличным выбором для любой комнаты и целей. Модель можно использовать для сервировки закусок во время семейных киносеансов, работы с ноутбуком, рисования, в качестве подставки для швейной машины. С-образная конструкция каркаса позволяет расположить столик с максимальным удобством: сбоку от кресла, с фронтальной стороны дивана, рядом с сиденьем или так, чтобы столешница располагалась над подлокотником. Минималистский дизайн изделия создает нейтральный фон для предметов декора.", "Производитель": "Россия"}
    ковер {"product_name": "Унитаз-компакт AM.PM Spirit V2.0 C708600WH 36.5х85х63.5 см", "Бренд": "AM.PM", "Цвет": "белый глянцевый", "Материал": "фарфор", "description": "", "Производитель": "Россия"}
    мойка {"product_name": "Мойка с крылом GRANFEST Quarz GF-ZL-51 76х48х17.8 см", "Бренд": "GRANFEST", "Цвет": "чёрный", "Материал": "кварц", "description": "", "Производитель": "Россия"}
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • num_train_epochs: 1
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • 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: 1
  • 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
  • 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}
  • tp_size: 0
  • 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: batch_sampler
  • multi_dataset_batch_sampler: round_robin

Training Logs

Epoch Step Training Loss
0.1844 500 2.7684
0.3689 1000 2.5477
0.5533 1500 2.4492
0.7377 2000 2.4187
0.9222 2500 2.4162

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 4.0.1
  • Transformers: 4.50.1
  • PyTorch: 2.6.0+cu124
  • Accelerate: 1.5.2
  • Datasets: 3.4.1
  • Tokenizers: 0.21.1

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}
}
Downloads last month
1
Safetensors
Model size
0.1B params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for Solomennikova/labse_funetuned_hoff

Base model

cointegrated/LaBSE-en-ru
Finetuned
(9)
this model

Papers for Solomennikova/labse_funetuned_hoff