| --- |
| tags: |
| - sentence-transformers |
| - sentence-similarity |
| - feature-extraction |
| - dense |
| - generated_from_trainer |
| - dataset_size:8498 |
| - loss:MultipleNegativesRankingLoss |
| base_model: intfloat/multilingual-e5-base |
| widget: |
| - source_sentence: 'query: Lusan Creme Alisante Suave Profissional 220g O caminho |
| para o cabelo perfeito requer cuidados especiais, e hoje você pode conseguir essa |
| mudança com a ajuda da Lisahair. |
| |
| |
| Livre de crueldade |
| |
| Este produto é feito sem machucar nenhum animal.' |
| sentences: |
| - 'query: Porta Talher E Utensiios Inox Escorredor Garfo Concha Porta Talher e Utensiios |
| Inox Escorredor Garfo Concha Cozinha |
| |
| Este Porta Talher e Utensiios Inox Escorredor Garfo Concha Cozinha é exatamente |
| o que você precisa. Um produto belo, prático, durável e que facilitará muito a |
| sua rotina. |
| |
| |
| Produzido com material durável e de ótima qualidade, este Porta Ta' |
| - "query: Jogo Balança Sapo Matemática Equilíbrio Brinquedo Educativo A Balança\ |
| \ Divertida Numérica Sapo Sapinho Matemática Educativo é um jogo de tabuleiro\ |
| \ educativo que proporciona diversão e aprendizado para crianças a partir de 5\ |
| \ anos. Com o tema de sapos e matemática, o jogo estimula o raciocínio lógico\ |
| \ e o desenvolvimento das habilidades numéricas dos pequenos. \n" |
| - 'query: Frigideira antiaderente de granito Cubestutensil, frigideira de 10 camadas' |
| - source_sentence: 'query: Tapete Sala 2,0x3,0 Azul Marinho Antiderrapante Macio Apolo |
| Tapete Sala 2,0x3,0 Azul Marinho Antiderrapante Macio Apolo |
| |
| |
| DESCRIÇÃO |
| |
| |
| Tapetes são acessórios de decoração que vestem os cômodos, deixando-os mais aconchegantes |
| e bonitos. Com os nossos tapetes você poderá desfrutar de momentos mais confortáveis. |
| Dono de grande maciez e elaborado para oferecer uma ' |
| sentences: |
| - 'query: Alisante Plastia Liso Definitiva Alisa3x Mais Afro 2x1000ml Alisante Plastia |
| Liso Definitiva Alisa3x Mais Afro 2x1000ml |
| |
| |
| Selagem orgânica, escovas profissionais. |
| |
| |
| Tratamento de alto desempenho que proporciona alisamento extremo aos fios, alisa |
| 3x mais e também cabelos afros. Pode ser utilizada em todos os tipos de cabelo. |
| Contém blends de aminoácidos. Possui' |
| - 'query: Protetor solar Sallve Protetor Solar Facial FPS60 Toque Seco Com Cor en |
| creme' |
| - "query: Cinto Couro Feminino Country Trabalhado Que Troca De Fivela CINTO UNISSEX\n\ |
| \nCinto produzido em couro legítimo, idealizando qualidade e beleza.\n\n\nCARACTERÍSTICAS:\n\ |
| \ Produzido em couro legítimo bovino, de qualidade e durabilidade incomparáveis;\n\ |
| \ Cinto confeccionado em apenas uma tira de couro costurado, garantindo assim\ |
| \ muita flexibilidade;\n Fivela trabalhada;\n " |
| - source_sentence: "query: Carregador USB Lelo Sona 2 Travel Clitoris Mini Sucker\ |
| \ Purple Lelo Sona 2 Travel Mini Clitoral Sucker \n \n Prepare-se para embarcar\ |
| \ em sua próxima grande aventura com o SONA™ 2 Travel como acompanhante. Este\ |
| \ mini vibrador, com seu formato elegante e discreto, chegou para ajudá-lo imediatamente\ |
| \ a ter um orgasmo onde quer que esteja, para que você possa desfrutar" |
| sentences: |
| - 'query: Suplemento en polpa Xymogen Ácido Fólico' |
| - 'query: Hair Spray Pacinos Extra Forte 400ml Cabelo Fixação' |
| - 'query: Luminária mata inseto Correia Ecom Repelente Mata Mosquito Led Uv Eletrônico |
| Insetos' |
| - source_sentence: 'query: Tinta Esmalte Extra Acetinado 225ml Branco Renner Extra |
| Esmalte possui fórmula com teor reduzido de solventes (VOC - compostos orgânicos |
| voláteis). Protege as superfícies e proporciona acabamento brilhante, acetinado |
| ou fosco. Contém silicone, facilitando a limpeza e reduzindo a aderência de sujeira. |
| Oferece ótimo rendimento, excelente cobertura e ' |
| sentences: |
| - 'query: Revestimentodescontaminante VonixxPremium Desengraxante Limpador' |
| - 'query: Tinta spray esmalte Acuario Acuario -' |
| - 'query: Boneca Angelina Loira + Boneca Angelina Negra Com Acessórios Uma amizade |
| fiel |
| |
| A partir de hoje, toda criança será acompanhada por alguém incondicional, capaz |
| de transformar o mundo em um lugar encantador. |
| |
| |
| Personagens inesquecíveis |
| |
| Com Boneca angelina loira + boneca angelina negra com acessórios, as experiências |
| das crianças serão incríveis! Seu design favore' |
| - source_sentence: 'query: Tinta Esmalte Sintético Brilhante Glasu! 3,6l Cores Cor |
| Verde Colonial ESMALTE SINTÉTICO STANDARD GLASU! (ANTERIORMENTE CHAMADO DE GLASURIT). |
| |
| |
| Indicado para pintura de superfícies de madeira, metal, alumínio e galvanizados, |
| para ambientes internos e externos. É um produto de fácil aplicação, secagem rápida, |
| bom alastramento e boa aderência. |
| |
| |
| CARACTERÍSTICAS |
| |
| - Secagem m' |
| sentences: |
| - 'query: Extintor de incêndio industrial móvel, Mxkfi-003, 68kg, Classe A, b, c' |
| - 'query: Travesseiro Nativa Serena' |
| - 'query: Conjunto térmico para camiseta de bebê, calças de algodão, 50 GB, cor |
| branca, tamanho 12 meses' |
| pipeline_tag: sentence-similarity |
| library_name: sentence-transformers |
| metrics: |
| - cosine_accuracy |
| - cosine_accuracy_threshold |
| - cosine_f1 |
| - cosine_f1_threshold |
| - cosine_precision |
| - cosine_recall |
| - cosine_ap |
| - cosine_mcc |
| model-index: |
| - name: SentenceTransformer based on intfloat/multilingual-e5-base |
| results: |
| - task: |
| type: binary-classification |
| name: Binary Classification |
| dataset: |
| name: hazmat eval |
| type: hazmat-eval |
| metrics: |
| - type: cosine_accuracy |
| value: 0.8566666666666667 |
| name: Cosine Accuracy |
| - type: cosine_accuracy_threshold |
| value: 0.8463509678840637 |
| name: Cosine Accuracy Threshold |
| - type: cosine_f1 |
| value: 0.8491228070175437 |
| name: Cosine F1 |
| - type: cosine_f1_threshold |
| value: 0.8463509678840637 |
| name: Cosine F1 Threshold |
| - type: cosine_precision |
| value: 0.8962962962962963 |
| name: Cosine Precision |
| - type: cosine_recall |
| value: 0.8066666666666666 |
| name: Cosine Recall |
| - type: cosine_ap |
| value: 0.9343418382109772 |
| name: Cosine Ap |
| - type: cosine_mcc |
| value: 0.7169269748849046 |
| name: Cosine Mcc |
| --- |
| |
| # SentenceTransformer based on intfloat/multilingual-e5-base |
|
|
| This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). 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:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision 835193815a3936a24a0ee7dc9e3d48c1fbb19c55 --> |
| - **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/huggingface/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, 'architecture': 'XLMRobertaModel'}) |
| (1): Pooling({'word_embedding_dimension': 768, '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: |
|
|
| ```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("WesleySAlves/e5-hazmat-classifier") |
| # Run inference |
| sentences = [ |
| 'query: Tinta Esmalte Sintético Brilhante Glasu! 3,6l Cores Cor Verde Colonial ESMALTE SINTÉTICO STANDARD GLASU! (ANTERIORMENTE CHAMADO DE GLASURIT).\n\nIndicado para pintura de superfícies de madeira, metal, alumínio e galvanizados, para ambientes internos e externos. É um produto de fácil aplicação, secagem rápida, bom alastramento e boa aderência.\n\nCARACTERÍSTICAS\n- Secagem m', |
| 'query: Extintor de incêndio industrial móvel, Mxkfi-003, 68kg, Classe A, b, c', |
| 'query: Travesseiro Nativa Serena', |
| ] |
| embeddings = model.encode(sentences) |
| print(embeddings.shape) |
| # [3, 768] |
| |
| # Get the similarity scores for the embeddings |
| similarities = model.similarity(embeddings, embeddings) |
| print(similarities) |
| # tensor([[1.0000, 0.9624, 0.8195], |
| # [0.9624, 1.0000, 0.7870], |
| # [0.8195, 0.7870, 1.0000]]) |
| ``` |
|
|
| <!-- |
| ### 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.* |
| --> |
|
|
| ## Evaluation |
|
|
| ### Metrics |
|
|
| #### Binary Classification |
|
|
| * Dataset: `hazmat-eval` |
| * Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator) |
|
|
| | Metric | Value | |
| |:--------------------------|:-----------| |
| | cosine_accuracy | 0.8567 | |
| | cosine_accuracy_threshold | 0.8464 | |
| | cosine_f1 | 0.8491 | |
| | cosine_f1_threshold | 0.8464 | |
| | cosine_precision | 0.8963 | |
| | cosine_recall | 0.8067 | |
| | **cosine_ap** | **0.9343** | |
| | cosine_mcc | 0.7169 | |
| |
| <!-- |
| ## 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: 8,498 training samples |
| * Columns: <code>anchor</code> and <code>positive</code> |
| * Approximate statistics based on the first 1000 samples: |
| | | anchor | positive | |
| |:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
| | type | string | string | |
| | details | <ul><li>min: 10 tokens</li><li>mean: 50.14 tokens</li><li>max: 140 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 52.57 tokens</li><li>max: 161 tokens</li></ul> | |
| * Samples: |
| | anchor | positive | |
| |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | <code>query: Gerador de cloro para piscina ATClor Gerador 3em1</code> | <code>query: Adesivo Chevrolet Adesivo</code> | |
| | <code>query: Cinto Chacal Cinto de couro</code> | <code>query: Taca De Cristal Soda P/ Agua Elisabeth 350ml Azul 6 Peças</code> | |
| | <code>query: Boneca de pelúcia Capivara com Chef Grande Boneca macia e macia marrom claro Boneca Capivara Soft Chef Capivara Material de enchimento: algodão PP <br> Faixa etária aplicável: 0+ <br> Cor: marrom <br> Tamanho: 30CM <br> Embalagem: 1 x pelúcia <br> <br> *Especificidades: * <br> - Primeira qualidade: nossos bichos de pelúcia capycho são feitos de materiais cuidadosamente selecionados com excelente desempenho, preenchidos com algodã</code> | <code>query: Webcam Webcam Microfone USB PC Windows Mac Zoom Você não precisa mais se preocupar se o seu PC não tiver uma câmera. Este dispositivo Zoomy fornece a qualidade de imagem e os recursos de que você precisa para se comunicar de forma fácil e eficaz em realidade virtual.</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", |
| "gather_across_devices": false, |
| "directions": [ |
| "query_to_doc" |
| ], |
| "partition_mode": "joint", |
| "hardness_mode": null, |
| "hardness_strength": 0.0 |
| } |
| ``` |
| |
| ### Evaluation Dataset |
| |
| #### Unnamed Dataset |
| |
| * Size: 500 evaluation samples |
| * Columns: <code>anchor</code> and <code>positive</code> |
| * Approximate statistics based on the first 500 samples: |
| | | anchor | positive | |
| |:--------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
| | type | string | string | |
| | details | <ul><li>min: 11 tokens</li><li>mean: 48.39 tokens</li><li>max: 131 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 52.09 tokens</li><li>max: 134 tokens</li></ul> | |
| * Samples: |
| | anchor | positive | |
| |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | <code>query: Gerador de cloro para piscina ATClor Gerador 3em1</code> | <code>query: Adesivo Chevrolet Adesivo</code> | |
| | <code>query: Cinto Chacal Cinto de couro</code> | <code>query: Taca De Cristal Soda P/ Agua Elisabeth 350ml Azul 6 Peças</code> | |
| | <code>query: Boneca de pelúcia Capivara com Chef Grande Boneca macia e macia marrom claro Boneca Capivara Soft Chef Capivara Material de enchimento: algodão PP <br> Faixa etária aplicável: 0+ <br> Cor: marrom <br> Tamanho: 30CM <br> Embalagem: 1 x pelúcia <br> <br> *Especificidades: * <br> - Primeira qualidade: nossos bichos de pelúcia capycho são feitos de materiais cuidadosamente selecionados com excelente desempenho, preenchidos com algodã</code> | <code>query: Webcam Webcam Microfone USB PC Windows Mac Zoom Você não precisa mais se preocupar se o seu PC não tiver uma câmera. Este dispositivo Zoomy fornece a qualidade de imagem e os recursos de que você precisa para se comunicar de forma fácil e eficaz em realidade virtual.</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", |
| "gather_across_devices": false, |
| "directions": [ |
| "query_to_doc" |
| ], |
| "partition_mode": "joint", |
| "hardness_mode": null, |
| "hardness_strength": 0.0 |
| } |
| ``` |
| |
| ### Training Hyperparameters |
| #### Non-Default Hyperparameters |
| |
| - `eval_strategy`: epoch |
| - `per_device_train_batch_size`: 64 |
| - `learning_rate`: 2e-05 |
| - `num_train_epochs`: 5 |
| - `warmup_steps`: 0.1 |
| - `fp16`: True |
| - `load_best_model_at_end`: True |
| |
| #### All Hyperparameters |
| <details><summary>Click to expand</summary> |
| |
| - `do_predict`: False |
| - `eval_strategy`: epoch |
| - `prediction_loss_only`: True |
| - `per_device_train_batch_size`: 64 |
| - `per_device_eval_batch_size`: 8 |
| - `gradient_accumulation_steps`: 1 |
| - `eval_accumulation_steps`: None |
| - `torch_empty_cache_steps`: None |
| - `learning_rate`: 2e-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`: 5 |
| - `max_steps`: -1 |
| - `lr_scheduler_type`: linear |
| - `lr_scheduler_kwargs`: None |
| - `warmup_ratio`: None |
| - `warmup_steps`: 0.1 |
| - `log_level`: passive |
| - `log_level_replica`: warning |
| - `log_on_each_node`: True |
| - `logging_nan_inf_filter`: True |
| - `enable_jit_checkpoint`: False |
| - `save_on_each_node`: False |
| - `save_only_model`: False |
| - `restore_callback_states_from_checkpoint`: False |
| - `use_cpu`: False |
| - `seed`: 42 |
| - `data_seed`: None |
| - `bf16`: False |
| - `fp16`: True |
| - `bf16_full_eval`: False |
| - `fp16_full_eval`: False |
| - `tf32`: None |
| - `local_rank`: -1 |
| - `ddp_backend`: None |
| - `debug`: [] |
| - `dataloader_drop_last`: False |
| - `dataloader_num_workers`: 0 |
| - `dataloader_prefetch_factor`: None |
| - `disable_tqdm`: False |
| - `remove_unused_columns`: True |
| - `label_names`: None |
| - `load_best_model_at_end`: True |
| - `ignore_data_skip`: False |
| - `fsdp`: [] |
| - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': 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 |
| - `deepspeed`: None |
| - `label_smoothing_factor`: 0.0 |
| - `optim`: adamw_torch_fused |
| - `optim_args`: None |
| - `group_by_length`: False |
| - `length_column_name`: length |
| - `project`: huggingface |
| - `trackio_space_id`: trackio |
| - `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 |
| - `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_for_metrics`: [] |
| - `eval_do_concat_batches`: True |
| - `auto_find_batch_size`: False |
| - `full_determinism`: False |
| - `ddp_timeout`: 1800 |
| - `torch_compile`: False |
| - `torch_compile_backend`: None |
| - `torch_compile_mode`: None |
| - `include_num_input_tokens_seen`: no |
| - `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`: True |
| - `use_cache`: False |
| - `prompts`: None |
| - `batch_sampler`: batch_sampler |
| - `multi_dataset_batch_sampler`: proportional |
| - `router_mapping`: {} |
| - `learning_rate_mapping`: {} |
| |
| </details> |
| |
| ### Training Logs |
| | Epoch | Step | Training Loss | Validation Loss | hazmat-eval_cosine_ap | |
| |:-------:|:-------:|:-------------:|:---------------:|:---------------------:| |
| | 0.3759 | 50 | 4.1700 | - | - | |
| | 0.7519 | 100 | 4.0818 | - | - | |
| | 1.0 | 133 | - | 1.7933 | 0.9210 | |
| | 1.1278 | 150 | 3.8759 | - | - | |
| | 1.5038 | 200 | 3.8106 | - | - | |
| | 1.8797 | 250 | 3.7647 | - | - | |
| | **2.0** | **266** | **-** | **1.6138** | **0.9411** | |
| | 2.2556 | 300 | 3.6884 | - | - | |
| | 2.6316 | 350 | 3.6794 | - | - | |
| | 3.0 | 399 | - | 1.5537 | 0.9284 | |
| | 3.0075 | 400 | 3.6409 | - | - | |
| | 3.3835 | 450 | 3.6014 | - | - | |
| | 3.7594 | 500 | 3.5970 | - | - | |
| | 4.0 | 532 | - | 1.5148 | 0.9298 | |
| | 4.1353 | 550 | 3.5763 | - | - | |
| | 4.5113 | 600 | 3.5623 | - | - | |
| | 4.8872 | 650 | 3.5422 | - | - | |
| | 5.0 | 665 | - | 1.4926 | 0.9343 | |
| |
| * The bold row denotes the saved checkpoint. |
| |
| ### Framework Versions |
| - Python: 3.12.13 |
| - Sentence Transformers: 5.3.0 |
| - Transformers: 5.0.0 |
| - PyTorch: 2.10.0+cu128 |
| - Accelerate: 1.13.0 |
| - Datasets: 4.0.0 |
| - Tokenizers: 0.22.2 |
| |
| ## 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{oord2019representationlearningcontrastivepredictive, |
| title={Representation Learning with Contrastive Predictive Coding}, |
| author={Aaron van den Oord and Yazhe Li and Oriol Vinyals}, |
| year={2019}, |
| eprint={1807.03748}, |
| archivePrefix={arXiv}, |
| primaryClass={cs.LG}, |
| url={https://arxiv.org/abs/1807.03748}, |
| } |
| ``` |
| |
| <!-- |
| ## 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.* |
| --> |
