File size: 29,721 Bytes
66c9eef | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:86732
- loss:MultipleNegativesRankingLoss
base_model: cointegrated/LaBSE-en-ru
widget:
- source_sentence: мойка
sentences:
- '{"product_name": "Набор вешалок MITTE Rainbow для брюк и юбок с зажимами 3 шт.",
"Бренд": "MITTE", "Цвет": "серый", "Материал": null, "description": "", "Производитель":
"Китай"}'
- '{"product_name": "Шкаф для белья левый Sherlock", "Бренд": null, "Цвет": "дуб
Сонома", "Материал": "ЛДСП, МДФ", "description": "Элегантный и удобный шкаф для
белья – часть модульной коллекции мебели Sherlock. Благодаря компактным размерам,
этот шкаф легко вписывается в небольшую гостиную или спальню. Внутри установлены
четыре полки для белья, расстояние между которыми можно менять по желанию. Фасад
с покрытием, имитирующим фактуру дуба Сонома, отделан декоративными планками,
придающими этой модели изящество и особый шарм. Эта коллекция создана для обстановки
малогабаритных квартир, из модулей можно собрать функциональный комплект, который
украсит гостиную, декорированную в классическом стиле.", "Производитель": "Россия"}'
- '{"product_name": "Обувница Комфорт 60х121.7х16.5 см", "Бренд": null, "Цвет":
"белый", "Материал": "ЛДСП", "description": "Обувница Комфорт УК позволит компактно
разместить обувь даже в небольшой или узкой прихожей. У тумбы небольшая глубина,
но благодаря особой конструкции полок на них легко поместятся кроссовки, сандалии
и другая обувь. Каждая пара будет защищена от пыли, а в прихожей всегда будет
полный порядок. Крышку обувницы и открытое отделение под ней можно использовать
для хранения аксессуаров и средств ухода за обувью.\nТумба изготовлена из ЛДСП
с декоративным покрытием, за которым легко ухаживать: достаточно протирать поверхность
мягкой салфеткой с любым средством для мебели, не содержащим абразивов..", "Производитель":
"Россия"}'
- source_sentence: стул
sentences:
- '{"product_name": "Кресло Монца", "Бренд": null, "Цвет": "бежевый", "Материал":
null, "description": "", "Производитель": "Россия"}'
- '{"product_name": "Дверь Оскар Скаген", "Бренд": null, "Цвет": "белый", "Материал":
"МДФ", "description": "", "Производитель": "Россия"}'
- '{"product_name": "Кресло CHAIRMAN Kids 110", "Бренд": "CHAIRMAN", "Цвет": "чёрный,
оранжевый", "Материал": null, "description": "", "Производитель": "Россия"}'
- source_sentence: кухонные столы
sentences:
- '{"product_name": "Фальшпанель Белла 4.6х35.6х1.6 см", "Бренд": null, "Цвет":
"фисташка", "Материал": "МДФ с покрытием ПВХ", "description": "", "Производитель":
"Россия"}'
- '{"product_name": "Журнальный стол Лофт", "Бренд": null, "Цвет": "Чёрный,Дуб",
"Материал": null, "description": "Низкий овальный столик на металлокаркасе создан
для современного домашнего интерьера, гармонично впишется в гостиную, дополнит
балкон или станет отличным вариантом для дачи. Столешница из МДФ представлена
в трех базовых расцветках: под дерево, мраморный черный и белый, что позволяет
выбрать именно тот вариант, который наиболее гармонично дополнит интерьер.\nКонструкция
отличается долговечностью и прочностью. Высокая устойчивость к механическим повреждениям
обеспечивает надежность использования этого столика долгие годы. Особое внимание
следует уделить функциональности данного изделия.", "Производитель": "Россия"}'
- '{"product_name": "Матрас пружинный Sanvi 90х200 см", "Бренд": "ARMOS", "Цвет":
null, "Материал": null, "description": "Двусторонний матрас «Sanvi» относится
к матрасам переменной жёсткости. Можно выбрать более комфортную сторону, просто
перевернув матрас. Рельефная ортопена с одной стороны обеспечивает выраженный
массажный эффект и отлично снимает напряжение.\nТермочувствительная вязко-эластичная
пена с «эффектом памяти» с другой стороны быстро принимает форму тела под воздействием
тепла и давления, постепенно восстанавливает объем без нагрузки. Пена Memory Pro
- оптимальный выбор для людей с хроническими болями в спине, заболеваниями опорно-двигательного
аппарата, спортсменов с интенсивными нагрузками и напряжением в мышцах. В основе
матраса независимый пружинный блок Pocket Spring Multi повышенной комфортности,
более 1000 пружин на спальное место. Данный блок отлично подстраивается под индивидуальные
анатомические особенности спящего, уменьшая нагрузку на суставы и повышая качество
сна. Армирован пружинный блок прочным бикоттоном. Такая конструкция обладает высокой
упругостью, прочностью и повышенной несущей способностью.\nЧехол выполнен из мягкого,
нежного трикотажа, простеганного на объемном гипоаллергенном волокне.", "Производитель":
"Россия"}'
- source_sentence: освещение
sentences:
- '{"product_name": "Шкаф одностворчатый правый Амели", "Бренд": null, "Цвет": "Серый",
"Материал": null, "description": "", "Производитель": "Россия"}'
- '{"product_name": "Люстра VITALUCE V5180-7/6 18 кв.м., 40х159х40 см, E14", "Бренд":
"VITALUCE", "Цвет": "Золотой", "Материал": null, "description": "Подвесная люстра
Vitaluce серии V5180 в золотом цвете выполнена в классическом стиле. Прекрасно
может дополнить различные интерьеры комнат с высокими потолками. Есть возможность
регулировать высоту люстры.\nЛампочки в комплект не входят, не забудьте их приобрести.",
"Производитель": "Россия"}'
- '{"product_name": "Прихожая СПР 2БР", "Бренд": null, "Цвет": "Белый", "Материал":
null, "description": "", "Производитель": "Россия"}'
- source_sentence: набор кружек
sentences:
- '{"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": "Набор журнальных столов лофт Duae", "Бренд": null, "Цвет":
"Белый,Чёрный", "Материал": null, "description": "", "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"}'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on cointegrated/LaBSE-en-ru
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [cointegrated/LaBSE-en-ru](https://huggingface.co/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](https://huggingface.co/cointegrated/LaBSE-en-ru) <!-- at revision cf0714e606d4af551e14ad69a7929cd6b0da7f7e -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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': 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:
```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("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]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 86,732 training samples
* Columns: <code>sentence_0</code> and <code>sentence_1</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 |
|:--------|:---------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 5.28 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>min: 51 tokens</li><li>mean: 126.16 tokens</li><li>max: 512 tokens</li></ul> |
* Samples:
| sentence_0 | sentence_1 |
|:-------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>комод</code> | <code>{"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"}</code> |
| <code>ковер</code> | <code>{"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"}</code> |
| <code>мойка</code> | <code>{"product_name": "Мойка с крылом GRANFEST Quarz GF-ZL-51 76х48х17.8 см", "Бренд": "GRANFEST", "Цвет": "чёрный", "Материал": "кварц", "description": "", "Производитель": "Россия"}</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"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
<details><summary>Click to expand</summary>
- `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
</details>
### 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
```bibtex
@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
```bibtex
@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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |