Trongnhat191/Vietnamese_embeddings

SentenceTransformer based on AITeamVN/Vietnamese_Embedding

This is a sentence-transformers model finetuned from AITeamVN/Vietnamese_Embedding on the dataset_full_fixed dataset. 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: AITeamVN/Vietnamese_Embedding
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • dataset_full_fixed

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': 8192, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 1024, '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): 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("Vietnamese_embeddings")
# Run inference
queries = [
    "B\u1ea1n\r\nB\u00e1 \u0110\u1ea1o th\u00e2n m\u1ebfn! \u0102n\r\nd\u01b0a chu\u1ed9t c\u00f3 m\u1ed9t s\u1ed1 t\u00e1c d\u1ee5ng nh\u01b0 ch\u1eefa ph\u00f9, gi\u00fap l\u1ee3i ti\u1ec3u, c\u00f3 t\u00e1c d\u1ee5ng thanh\r\nnhi\u1ec7t, gi\u1ea3i kh\u00e1t. Tuy nhi\u00ean, theo \u0110\u00f4ng y, d\u01b0a chu\u1ed9t c\u00f3 t\u00ednh l\u1ea1nh, n\u1ebfu \u0103n nhi\u1ec1u\r\ns\u1ebd sinh \u0111i ti\u1ec3u nhi\u1ec1u, th\u1eadm ch\u00ed ng\u01b0\u1eddi th\u1eadn y\u1ebfu c\u00f3 th\u1ec3 hay b\u1ecb v\u00e3i ti\u1ec3u v\u00e0 d\u1eabn\r\n\u0111\u1ebfn . Do v\u1eady, ng\u01b0\u1eddi b\u1ecb l\u1ea1nh b\u1ee5ng, \u1ea3nh h\u01b0\u1edfng ch\u1ee9c n\u0103ng th\u1eadn th\u00ec kh\u00f4ng\r\nn\u00ean \u0103n d\u01b0a chu\u1ed9t. C\u00f2n\r\nng\u01b0\u1eddi b\u00ecnh th\u01b0\u1eddng c\u0169ng kh\u00f4ng n\u00ean s\u1eed d\u1ee5ng qu\u00e1 nhi\u1ec1u d\u01b0a chu\u1ed9t trong th\u1eddi gian\r\nd\u00e0i, l\u00e0m ch\u1ee9c n\u0103ng th\u1eadn suy gi\u1ea3m. M\u1ed7i ng\u00e0y ch\u1ec9 n\u00ean \u0103n 1 - 2 qu\u1ea3 d\u01b0a chu\u1ed9t,\r\nkh\u00f4ng n\u00ean \u0103n v\u1edbi l\u1ea1c s\u1ebd sinh \u0111\u1ea7y h\u01a1i, kh\u00f3 ti\u00eau. Alobacsi.n Theo Ki\u1ebfn th\u1ee9c",
]
documents = [
    'Thưa bác sĩ,\r\n\r\nTôi rất thích ăn dưa chuột, ngày nào tôi cũng ăn. Nhưng có người nói ăn nhiều dưa chuột có thể bị liệt dương, xin hỏi có đúng không? Tôi tưởng ăn dưa chuột thì tốt cho chuyện sinh lý. (Nguyễn Bá Đạo - Bắc Giang)',
    'Hỗn dịch uống A.T Ibuprofen Syrup 100mg An Thiên giảm đau, kháng viêm (60ml)',
    'Viên nén Natidof 8 SPM điều trị thoái hóa đốt sống, vẹo cổ, đau lưng (3 vỉ x 10 viên)',
]
query_embeddings = model.encode_query(queries)
document_embeddings = model.encode_document(documents)
print(query_embeddings.shape, document_embeddings.shape)
# [1, 1024] [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(query_embeddings, document_embeddings)
print(similarities)
# tensor([[ 0.6852, -0.0705, -0.0483]])

Evaluation

Metrics

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator with these parameters:

  {
      "truncate_dim": 768
  }
  

Metric	Value
cosine_accuracy@1	0.7126
cosine_accuracy@3	0.8298
cosine_accuracy@5	0.8678
cosine_accuracy@10	0.906
cosine_precision@1	0.7126
cosine_precision@3	0.2766
cosine_precision@5	0.1736
cosine_precision@10	0.0906
cosine_recall@1	0.7126
cosine_recall@3	0.8298
cosine_recall@5	0.8678
cosine_recall@10	0.906
cosine_ndcg@10	0.8096
cosine_mrr@10	0.7787
cosine_map@100	0.7824

Training Details

Training Dataset

dataset_full_fixed

• Dataset: dataset_full_fixed at ef2e7fd
• Size: 43,803 training samples
• Columns: positive and query
• Approximate statistics based on the first 1000 samples:

  	positive	query
  type	string	string
  details	min: 25 tokens mean: 249.72 tokens max: 1968 tokens	min: 6 tokens mean: 77.99 tokens max: 576 tokens

• Samples:

  positive	query
  Chào bạn, Có 2 nhóm nguyên nhân chính làm tăng Ferritin máu , có hoặc không có ứ đọng sắt ở các mô. Bệnh có ứ đọng sắt tiên phát phổ biến nhất là bệnh ứ sắt mô di truyền (hemochromatosis) do đột biến gen HFE, gen tham gia vào điều hòa hấp thu sắt ở ruột non. Bệnh hay gặp ở người da trắng và rất hiếm gặp ở người châu Á. Ở Việt Nam, bệnh tăng Ferritin có ứ sắt mô thứ phát hay gặp nhất là bệnh beta Thalassemia. Nguyên nhân tăng Ferritin không có ứ đọng sắt ở các mô, hay gặp ở người châu Á gồm viêm gan virus mạn tính, rượu hoặc bệnh gan do rượu và không do rượu, bệnh đái tháo đường hoặc hội chứng biến dưỡng. Ngoài ra tăng Ferritin máu hay gặp ở người mắc các bệnh mạn tính như viêm đa khớp dạng thấp, bệnh tự miễn, ungthư và suy thận mạn. Như vậy, trường hợp này có thể tăng Ferritine di truyền hoặc thứ phát gây ra tăng men gan, nhưng cũng có thể viêm gan mạn là nguyên nhân làm cho Ferritine tăng cao. Bạn nên đưa chồng đến tái khám chuyên khoa Viêm Gan để bác sĩ xem xét làm thêm xét nghiệm là...	Bác sĩ cho em hỏi,
  Chồng em bị bệnh cao men gan. Tháng vừa rồi đi xét nghiệm máu kết quả như sau:
  - AST=114U/L
  - ALT=204U/L
  - GGT=536U/L
  - Acid Uric huyết thanh=443
  - Cholesterol toàn phần=6.6
  - Triglycerid=3.2
  - HDL- cholesterol=1.1
  - LDL- cholesterol=4.0
  - Ferritin=1348
  Kết quả xét nghiệm với men gan cao như vậy và Ferritin quá cao có nguy hiểm không bác sĩ? Chồng em cần có chế độ dinh dưỡng như thế nào hay cần kiêng cữ các loại thức ăn nào?
  Em gửi kèm kết quả xét nghiệm và đơn thuốc của bác sĩ. Mong bác sĩ tư vấn giúp em với những chỉ số hiện tại thì bệnh của chồng em có nguy hiểm không, có cần làm thêm các xét nghiệm khác để kiểm tra thêm không (đặc biệt là các xét nghiệm liên quan đến ung thư gan)? Chồng em hay cảm thấy mệt, ăn uống không ngon miệng và mấy tháng nay hay đau nhức khớp tay và khớp xương mông nữa.
  Chồng em đi tiêu tiểu cũng khác bình thường, trung bình 1 ngày đi cầu khoảng 3 đến 4 lần, còn đi tiểu thì em thấy hơi khó, có khi đứn...
  Mô tả ngắn: Thuốc Bailuzym của Công ty TNHH Liên doanh Hasan – Dermapharm, thành phần chính là Lactobacillus acidophilus . Bailuzym là thuốc dùng bổ sung vi khuẩn có lợi cho đường tiêu hóa và tăng cường khả năng miễn dịch trong các trường hợp: Tiêu chảy do nhiễm khuẩn, do kháng sinh và hóa trị liệu, viêm ruột cấp tính hay mạn tính, rối loạn tiêu hóa, rối loạn cân bằng vi sinh ruột do rượu, stress, du lịch, dự phòng các biến chứng đường tiêu hóa. Bailuzym được bào chế dưới dạng thuốc bột. Đóng gói theo quy cách: Hộp 30 gói x gói 1 g. Thành phần: Lactobacillus acidophilus: 10^8CFU Chỉ định: Thuốc Bailuzym được chỉ định dùng trong các trường hợp bổ sung vi khuẩn có lợi cho đường tiêu hóa và tăng cường khả năng miễn dịch trong các trường hợp: Tiêu chảy do nhiễm khuẩn, do kháng sinh và hóa trị liệu. Viêm ruột cấp tính hay mạn tính, rối loạn tiêu hóa: Chướng bụng, đầy hơi, táo bón. Rối loạn cân bằng vi sinh ruột do rượu, stress, du lịch. Dự phòng các biến chứng đường tiêu hóa.	Bột Bailuzym Hasan bổ sung vi khuẩn có lợi cho đường tiêu hóa (30 gói x 1g)
  AloBacsi rất vui được gặp lại Dinh Suu, Em có tiền căn sảy thai rồi thì cần cẩn thận trong cách đi đứng, sinh hoạt cũng như ăn uống sao cho khỏi bị ngộ độc. Đúng như em đã tìm hiểu, có rất nhiều nguyên nhân gây sảy thai nhưng nguyên nhân do chạy xe máy đường xa thì không được đưa vào trong sách. Tuy nhiên, cũng có một số trường hợp không tìm thấy được nguyên nhân. Mặc dù vậy em cũng cần phải đề phòng, nếu đường quá nhiều “ổ gà” hoặc đường quá xa như vậy sẽ không đảm bảo cho sức khỏe của em (sức khỏe của mẹ tốt thì con mới khỏe được). Tốt nhất, em nên thử que sau khi có trễ kinh một tuần nhưng cũng có trường hợp dương hoặc âm tính giả. Để chính xác em cần thử máu beta hCG. Thân mến!	Dạ, em xin chân thành cảm ơn BS đã trả lời giúp em câu hỏi trước!
  BS cho em hỏi là việc thai lưu hoặc sảy thai theo em được biết thì có thể có nhiều nguyên nhân nhưng việc chạy xe máy nhiều có ảnh hưởng gì không thưa BS? Em bị sảy một lần nên em lo lắm nhưng công việc xa nhà nên mỗi ngày em phải chạy xe đi về hơn 40km việc này có ảnh hưởng gì đến thai nhi không?
  Tính từ ngày rụng trứng tới bây giờ đã 9 ngày rồi nhưng em thử que cũng chỉ có một vạch. Còn hy vọng có thai tháng này không thưa BS?

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 2
• per_device_eval_batch_size: 1
• learning_rate: 1e-06
• num_train_epochs: 1
• lr_scheduler_type: constant_with_warmup
• warmup_ratio: 0.1
• fp16: True
• tf32: False
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 2
• per_device_eval_batch_size: 1
• 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: 1e-06
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 1
• max_steps: -1
• lr_scheduler_type: constant_with_warmup
• 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: True
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: False
• 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: True
• 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_fused
• 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
• hub_revision: None
• 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
• 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
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	dim_768_cosine_ndcg@10
0.0046	100	0.0471	-
0.0091	200	0.0258	-
0.0137	300	0.0347	-
0.0183	400	0.0301	-
0.0228	500	0.0301	-
0.0274	600	0.0308	-
0.0320	700	0.0199	-
0.0365	800	0.037	-
0.0411	900	0.0286	-
0.0457	1000	0.0383	-
0.0502	1100	0.0222	-
0.0548	1200	0.0193	-
0.0594	1300	0.0165	-
0.0639	1400	0.0281	-
0.0685	1500	0.0301	-
0.0731	1600	0.0207	-
0.0776	1700	0.0235	-
0.0822	1800	0.0159	-
0.0868	1900	0.0213	-
0.0913	2000	0.0141	-
0.0959	2100	0.0126	-
0.1004	2200	0.0195	-
0.1050	2300	0.0104	-
0.1096	2400	0.0138	-
0.1141	2500	0.0176	-
0.1187	2600	0.0148	-
0.1233	2700	0.0188	-
0.1278	2800	0.0131	-
0.1324	2900	0.0303	-
0.1370	3000	0.0151	-
0.1415	3100	0.0237	-
0.1461	3200	0.015	-
0.1507	3300	0.0058	-
0.1552	3400	0.0213	-
0.1598	3500	0.0075	-
0.1644	3600	0.0034	-
0.1689	3700	0.0131	-
0.1735	3800	0.0094	-
0.1781	3900	0.0072	-
0.1826	4000	0.0165	-
0.1872	4100	0.0106	-
0.1918	4200	0.0179	-
0.1963	4300	0.0105	-
0.2009	4400	0.006	-
0.2055	4500	0.009	-
0.2100	4600	0.0173	-
0.2146	4700	0.0103	-
0.2192	4800	0.0095	-
0.2237	4900	0.0111	-
0.2283	5000	0.0123	-
0.2329	5100	0.0034	-
0.2374	5200	0.0051	-
0.2420	5300	0.0083	-
0.2466	5400	0.009	-
0.2511	5500	0.0094	-
0.2557	5600	0.0092	-
0.2603	5700	0.0056	-
0.2648	5800	0.019	-
0.2694	5900	0.0029	-
0.2739	6000	0.0045	-
0.2785	6100	0.0087	-
0.2831	6200	0.015	-
0.2876	6300	0.0042	-
0.2922	6400	0.0019	-
0.2968	6500	0.0032	-
0.3013	6600	0.0071	-
0.3059	6700	0.0051	-
0.3105	6800	0.0079	-
0.3150	6900	0.0065	-
0.3196	7000	0.0032	-
0.3242	7100	0.0058	-
0.3287	7200	0.0031	-
0.3333	7300	0.0054	-
0.3379	7400	0.0025	-
0.3424	7500	0.0013	-
0.3470	7600	0.0145	-
0.3516	7700	0.0031	-
0.3561	7800	0.0062	-
0.3607	7900	0.0144	-
0.3653	8000	0.0117	-
0.3698	8100	0.0024	-
0.3744	8200	0.0105	-
0.3790	8300	0.0055	-
0.3835	8400	0.0078	-
0.3881	8500	0.0056	-
0.3927	8600	0.0019	-
0.3972	8700	0.0024	-
0.4018	8800	0.0044	-
0.4064	8900	0.0061	-
0.4109	9000	0.0081	-
0.4155	9100	0.0053	-
0.4201	9200	0.0059	-
0.4246	9300	0.0053	-
0.4292	9400	0.0021	-
0.4338	9500	0.0122	-
0.4383	9600	0.0038	-
0.4429	9700	0.0012	-
0.4474	9800	0.0024	-
0.4520	9900	0.0027	-
0.4566	10000	0.0257	-
0.4611	10100	0.0061	-
0.4657	10200	0.01	-
0.4703	10300	0.0025	-
0.4748	10400	0.0019	-
0.4794	10500	0.0046	-
0.4840	10600	0.0065	-
0.4885	10700	0.02	-
0.4931	10800	0.0026	-
0.4977	10900	0.0032	-
0.5022	11000	0.0043	-
0.5068	11100	0.0128	-
0.5114	11200	0.0021	-
0.5159	11300	0.0016	-
0.5205	11400	0.0131	-
0.5251	11500	0.0182	-
0.5296	11600	0.0114	-
0.5342	11700	0.0008	-
0.5388	11800	0.0044	-
0.5433	11900	0.0043	-
0.5479	12000	0.0068	-
0.5525	12100	0.0077	-
0.5570	12200	0.0036	-
0.5616	12300	0.0068	-
0.5662	12400	0.0094	-
0.5707	12500	0.0021	-
0.5753	12600	0.0011	-
0.5799	12700	0.0013	-
0.5844	12800	0.0026	-
0.5890	12900	0.0094	-
0.5936	13000	0.0026	-
0.5981	13100	0.0184	-
0.6027	13200	0.0218	-
0.6073	13300	0.0052	-
0.6118	13400	0.0184	-
0.6164	13500	0.0179	-
0.6209	13600	0.0027	-
0.6255	13700	0.0026	-
0.6301	13800	0.0016	-
0.6346	13900	0.0011	-
0.6392	14000	0.004	-
0.6438	14100	0.0019	-
0.6483	14200	0.0083	-
0.6529	14300	0.0063	-
0.6575	14400	0.0181	-
0.6620	14500	0.0026	-
0.6666	14600	0.0097	-
0.6712	14700	0.0094	-
0.6757	14800	0.0136	-
0.6803	14900	0.0011	-
0.6849	15000	0.0059	-
0.6894	15100	0.0062	-
0.6940	15200	0.0029	-
0.6986	15300	0.0054	-
0.7031	15400	0.0037	-
0.7077	15500	0.003	-
0.7123	15600	0.0019	-
0.7168	15700	0.0017	-
0.7214	15800	0.0063	-
0.7260	15900	0.0214	-
0.7305	16000	0.0007	-
0.7351	16100	0.0055	-
0.7397	16200	0.002	-
0.7442	16300	0.0014	-
0.7488	16400	0.0052	-
0.7534	16500	0.0037	-
0.7579	16600	0.0134	-
0.7625	16700	0.0106	-
0.7671	16800	0.0019	-
0.7716	16900	0.0048	-
0.7762	17000	0.0015	-
0.7808	17100	0.0064	-
0.7853	17200	0.0028	-
0.7899	17300	0.0042	-
0.7944	17400	0.0007	-
0.7990	17500	0.0033	-
0.8036	17600	0.0013	-
0.8081	17700	0.0062	-
0.8127	17800	0.0167	-
0.8173	17900	0.004	-
0.8218	18000	0.002	-
0.8264	18100	0.0042	-
0.8310	18200	0.0095	-
0.8355	18300	0.0016	-
0.8401	18400	0.0083	-
0.8447	18500	0.0011	-
0.8492	18600	0.0102	-
0.8538	18700	0.001	-
0.8584	18800	0.0028	-
0.8629	18900	0.0012	-
0.8675	19000	0.0119	-
0.8721	19100	0.0015	-
0.8766	19200	0.0023	-
0.8812	19300	0.0009	-
0.8858	19400	0.0022	-
0.8903	19500	0.0116	-
0.8949	19600	0.0119	-
0.8995	19700	0.0038	-
0.9040	19800	0.0026	-
0.9086	19900	0.0125	-
0.9132	20000	0.0008	-
0.9177	20100	0.0023	-
0.9223	20200	0.0101	-
0.9269	20300	0.0016	-
0.9314	20400	0.0075	-
0.9360	20500	0.0062	-
0.9406	20600	0.0226	-
0.9451	20700	0.0052	-
0.9497	20800	0.0034	-
0.9543	20900	0.0037	-
0.9588	21000	0.0012	-
0.9634	21100	0.0038	-
0.9679	21200	0.0013	-
0.9725	21300	0.0028	-
0.9771	21400	0.0063	-
0.9816	21500	0.0019	-
0.9862	21600	0.0173	-
0.9908	21700	0.0018	-
0.9953	21800	0.0081	-
0.9999	21900	0.0023	-
1.0	21902	-	0.8096

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.12.11
• Sentence Transformers: 5.1.0
• Transformers: 4.55.4
• PyTorch: 2.8.0+cu126
• Accelerate: 1.10.1
• Datasets: 4.0.0
• Tokenizers: 0.21.4

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}
}