comet24082002/ft_bge_newLaw_MultipleNegativeRankingLoss_SimSCE_V1_5epochs

SentenceTransformer based on comet24082002/finetune_bge_simsce_V1

This is a sentence-transformers model finetuned from comet24082002/finetune_bge_simsce_V1. 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: comet24082002/finetune_bge_simsce_V1
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 tokens
• Similarity Function: Cosine Similarity

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': 512, 'do_lower_case': False}) with Transformer model: 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("comet24082002/ft_bge_newLaw_MultipleNegativeRankingLoss_SimSCE_V1_5epochs")
# Run inference
sentences = [
    'Đơn tố cáo nặc danh có được tiếp nhận xử lý không?',
    '1. Trước khi thụ lý tố cáo, người giải quyết tố cáo tự mình hoặc giao cơ quan thanh tra nhà nước cùng cấp hoặc cơ quan, tổ chức, cá nhân khác xác minh thông tin về người tố cáo và điều kiện thụ lý tố cáo. Trường hợp người tố cáo không cư trú tại địa bàn quản lý hoặc gặp khó khăn trong việc xác minh thì người giải quyết tố cáo có thể ủy quyền cho cơ quan nhà nước ngang cấp hoặc cơ quan nhà nước cấp dưới xác minh thông tin cần thiết phục vụ việc ra quyết định thụ lý tố cáo. Việc thụ lý tố cáo được thực hiện theo quy định tại Điều 29 Luật Tố cáo. Quyết định thụ lý tố cáo được thực hiện theo Mẫu số 04 tại Phụ lục ban hành kèm theo Nghị định này.\n2. Trong thời hạn 05 ngày làm việc kể từ ngày ra quyết định thụ lý tố cáo, người giải quyết tố cáo có trách nhiệm thông báo cho người tố cáo và thông báo về nội dung tố cáo cho người bị tố cáo biết. Thông báo việc thụ lý tố cáo được thực hiện theo Mẫu số 05, thông báo về nội dung tố cáo cho người bị tố cáo thực hiện theo Mẫu số 06 tại Phụ lục ban hành kèm theo Nghị định này.',
    'Chương trình, tài liệu đào tạo, bồi dưỡng\n...\n2. Chương trình, tài liệu bồi dưỡng:\na) Chương trình, tài liệu bồi dưỡng theo tiêu chuẩn ngạch công chức, thời gian thực hiện tối thiểu là 06 tuần, tối đa là 08 tuần, bao gồm:\n- Chương trình bồi dưỡng ngạch cán sự và tương đương;\n- Chương trình bồi dưỡng các ngạch: chuyên viên và tương đương; chuyên viên chính và tương đương; chuyên viên cao cấp và tương đương.\nb) Chương trình, tài liệu bồi dưỡng theo tiêu chuẩn chức vụ cán bộ lãnh đạo, quản lý, thời gian thực hiện tối thiểu là 02 tuần, tối đa là 04 tuần, bao gồm:\n- Chương trình bồi dưỡng lãnh đạo cấp phòng và tương đương;\n- Chương trình bồi dưỡng lãnh đạo VKSND cấp huyện và tương đương;\n- Chương trình bồi dưỡng lãnh đạo VKSND cấp tỉnh, lãnh đạo cấp vụ và tương đương.\nc) Chương trình, tài liệu bồi dưỡng theo yêu cầu của vị trí việc làm, kiến thức, kỹ năng chuyên ngành, thời gian thực hiện tối đa là 01 tuần.\nd) Đối với việc bồi dưỡng lãnh đạo VKSND tối cao và các chương trình bồi dưỡng khác (bao gồm bồi dưỡng viên chức) thực hiện theo quy định của Đảng và Nhà nước.',
]
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: 10,524 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 8 tokens mean: 24.26 tokens max: 52 tokens	min: 18 tokens mean: 266.55 tokens max: 512 tokens

• Samples:

  anchor	positive
  Phó trưởng phòng của một đơn vị sự nghiệp công lập có được bổ nhiệm làm kế toán trưởng tại đơn vị mình đang công tác không?	“Điều 52. Những người không được làm kế toán 1. Người chưa thành niên; người bị Tòa án tuyên bố hạn chế hoặc mất năng lực hành vi dân sự; người đang phải chấp hành biện pháp đưa vào cơ sở giáo dục bắt buộc, cơ sở cai nghiện bắt buộc. 2. Người đang bị cấm hành nghề kế toán theo bản án hoặc quyết định của Tòa án đã có hiệu lực pháp luật; người đang bị truy cứu trách nhiệm hình sự; người đang phải chấp hành hình phạt tù hoặc đã bị kết án về một trong các tội xâm phạm trật tự quản lý kinh tế, tội phạm về chức vụ liên quan đến tài chính, kế toán mà chưa được xóa án tích. 3. Cha đẻ, mẹ đẻ, cha nuôi, mẹ nuôi, vợ, chồng, con đẻ, con nuôi, anh, chị, em ruột của người đại diện theo pháp luật, của người đứng đầu, của giám đốc, tổng giám đốc và của cấp phó của người đứng đầu, phó giám đốc, phó tổng giám đốc phụ trách công tác tài chính - kế toán, kế toán trưởng trong cùng một đơn vị kế toán, trừ doanh nghiệp tư nhân, công ty trách nhiệm hữu hạn do một cá nhân làm chủ sở hữu và các trường hợp khác do Chính phủ quy định. 4. Người đang là người quản lý, điều hành, thủ kho, thủ quỹ, người mua, bán tài sản trong cùng một đơn vị kế toán, trừ trong doanh nghiệp tư nhân, công ty trách nhiệm hữu hạn do một cá nhân làm chủ sở hữu và các trường hợp khác do Chính phủ quy định.”
  Có được hưởng cùng lúc trợ cấp thất nghiệp và bảo hiểm thai sản không?	“Điều 31. Điều kiện hưởng chế độ thai sản 1. Người lao động được hưởng chế độ thai sản khi thuộc một trong các trường hợp sau đây: a) Lao động nữ mang thai; b) Lao động nữ sinh con; c) Lao động nữ mang thai hộ và người mẹ nhờ mang thai hộ; d) Người lao động nhận nuôi con nuôi dưới 06 tháng tuổi; đ) Lao động nữ đặt vòng tránh thai, người lao động thực hiện biện pháp triệt sản; e) Lao động nam đang đóng bảo hiểm xã hội có vợ sinh con. 2. Người lao động quy định tại các điểm b, c và d khoản 1 Điều này phải đóng bảo hiểm xã hội từ đủ 06 tháng trở lên trong thời gian 12 tháng trước khi sinh con hoặc nhận nuôi con nuôi. 3. Người lao động quy định tại điểm b khoản 1 Điều này đã đóng bảo hiểm xã hội từ đủ 12 tháng trở lên mà khi mang thai phải nghỉ việc để dưỡng thai theo chỉ định của cơ sở khám bệnh, chữa bệnh có thẩm quyền thì phải đóng bảo hiểm xã hội từ đủ 03 tháng trở lên trong thời gian 12 tháng trước khi sinh con. 4. Người lao động đủ điều kiện quy định tại khoản 2 và khoản 3 Điều này mà chấm dứt hợp đồng lao động, hợp đồng làm việc hoặc thôi việc trước thời điểm sinh con hoặc nhận con nuôi dưới 06 tháng tuổi thì vẫn được hưởng chế độ thai sản theo quy định tại các Điều 34, 36, 38 và khoản 1 Điều 39 của Luật này.”
  Viên chức cảng vụ hàng không phải đáp ứng những tiêu chuẩn nào?	Cảng vụ viên hàng không hạng V - Mã số V.12.01.05 ... 2. Tiêu chuẩn về trình độ đào tạo, bồi dưỡng a) Có bằng tốt nghiệp trung cấp trở lên với ngành, chuyên ngành đào tạo phù hợp với vị trí việc làm; b) Có chứng chỉ bồi dưỡng theo tiêu chuẩn chức danh nghề nghiệp viên chức chuyên ngành cảng vụ hàng không. 3. Tiêu chuẩn về năng lực chuyên môn, nghiệp vụ a) Nắm chắc các nguyên tắc và các hướng dẫn nghiệp vụ, quy trình tác nghiệp theo yêu cầu nhiệm vụ được giao; b) Có kỹ năng sử dụng công nghệ thông tin cơ bản và sử dụng được ngoại ngữ hoặc sử dụng được tiếng dân tộc thiểu số đối với viên chức công tác ở vùng dân tộc thiểu số theo yêu cầu của vị trí việc làm; c) Sử dụng thành thạo các phương tiện, thiết bị kỹ thuật phục vụ yêu cầu nhiệm vụ.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 4
• learning_rate: 2e-05
• num_train_epochs: 5
• warmup_ratio: 0.1

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 4
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_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: {}
• 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: False
• 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
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss
0.0190	50	0.123
0.0380	100	0.1534
0.0570	150	0.0364
0.0760	200	0.0487
0.0950	250	0.0341
0.1140	300	0.0303
0.1330	350	0.0091
0.1520	400	0.0194
0.1710	450	0.0113
0.1900	500	0.0252
0.2090	550	0.0138
0.2281	600	0.0155
0.2471	650	0.0274
0.2661	700	0.0324
0.2851	750	0.0071
0.3041	800	0.0135
0.3231	850	0.0274
0.3421	900	0.0067
0.3611	950	0.0095
0.3801	1000	0.0218
0.3991	1050	0.0292
0.4181	1100	0.0041
0.4371	1150	0.0072
0.4561	1200	0.0051
0.4751	1250	0.004
0.4941	1300	0.0043
0.5131	1350	0.0067
0.5321	1400	0.0089
0.5511	1450	0.0281
0.5701	1500	0.0186
0.5891	1550	0.0316
0.6081	1600	0.0046
0.6271	1650	0.0331
0.6461	1700	0.018
0.6651	1750	0.0097
0.6842	1800	0.0629
0.7032	1850	0.0388
0.7222	1900	0.0084
0.7412	1950	0.0312
0.7602	2000	0.0409
0.7792	2050	0.0236
0.7982	2100	0.0248
0.8172	2150	0.0287
0.8362	2200	0.0564
0.8552	2250	0.0381
0.8742	2300	0.013
0.8932	2350	0.0213
0.9122	2400	0.009
0.9312	2450	0.0105
0.9502	2500	0.0369
0.9692	2550	0.0545
0.9882	2600	0.0473
1.0072	2650	0.0475
1.0262	2700	0.0069
1.0452	2750	0.002
1.0642	2800	0.011
1.0832	2850	0.0061
1.1022	2900	0.009
1.1212	2950	0.007
1.1403	3000	0.006
1.1593	3050	0.0037
1.1783	3100	0.0185
1.1973	3150	0.0071
1.2163	3200	0.0049
1.2353	3250	0.0094
1.2543	3300	0.0079
1.2733	3350	0.0084
1.2923	3400	0.0053
1.3113	3450	0.0019
1.3303	3500	0.0259
1.3493	3550	0.0022
1.3683	3600	0.0131
1.3873	3650	0.0266
1.4063	3700	0.0321
1.4253	3750	0.0168
1.4443	3800	0.0498
1.4633	3850	0.0075
1.4823	3900	0.0026
1.5013	3950	0.001
1.5203	4000	0.0344
1.5393	4050	0.0081
1.5583	4100	0.0049
1.5773	4150	0.0102
1.5964	4200	0.0129
1.6154	4250	0.0061
1.6344	4300	0.0028
1.6534	4350	0.0134
1.6724	4400	0.0075
1.6914	4450	0.0229
1.7104	4500	0.0051
1.7294	4550	0.002
1.7484	4600	0.0054
1.7674	4650	0.0128
1.7864	4700	0.0022
1.8054	4750	0.0009
1.8244	4800	0.0102
1.8434	4850	0.0066
1.8624	4900	0.003
1.8814	4950	0.0031
1.9004	5000	0.0013
1.9194	5050	0.0029
1.9384	5100	0.0396
1.9574	5150	0.0054
1.9764	5200	0.0054
1.9954	5250	0.015
2.0144	5300	0.0045
2.0334	5350	0.0027
2.0525	5400	0.0037
2.0715	5450	0.0049
2.0905	5500	0.0016
2.1095	5550	0.0009
2.1285	5600	0.0012
2.1475	5650	0.002
2.1665	5700	0.0078
2.1855	5750	0.0255
2.2045	5800	0.0277
2.2235	5850	0.0012
2.2425	5900	0.0012
2.2615	5950	0.0014
2.2805	6000	0.0013
2.2995	6050	0.0047
2.3185	6100	0.0013
2.3375	6150	0.0076
2.3565	6200	0.009
2.3755	6250	0.0007
2.3945	6300	0.0087
2.4135	6350	0.0002
2.4325	6400	0.0017
2.4515	6450	0.0106
2.4705	6500	0.0016
2.4895	6550	0.0011
2.5086	6600	0.0024
2.5276	6650	0.0092
2.5466	6700	0.0012
2.5656	6750	0.0143
2.5846	6800	0.0015
2.6036	6850	0.0008
2.6226	6900	0.0149
2.6416	6950	0.0058
2.6606	7000	0.0227
2.6796	7050	0.0004
2.6986	7100	0.0066
2.7176	7150	0.0059
2.7366	7200	0.0011
2.7556	7250	0.0323
2.7746	7300	0.0016
2.7936	7350	0.0023
2.8126	7400	0.0107
2.8316	7450	0.0015
2.8506	7500	0.0023
2.8696	7550	0.0058
2.8886	7600	0.0004
2.9076	7650	0.0103
2.9266	7700	0.0005
2.9456	7750	0.0013
2.9647	7800	0.0004
2.9837	7850	0.0018
3.0027	7900	0.0016
3.0217	7950	0.0034
3.0407	8000	0.0012
3.0597	8050	0.0046
3.0787	8100	0.001
3.0977	8150	0.0005
3.1167	8200	0.0037
3.1357	8250	0.0046
3.1547	8300	0.0013
3.1737	8350	0.0011
3.1927	8400	0.0107
3.2117	8450	0.0012
3.2307	8500	0.0025
3.2497	8550	0.0018
3.2687	8600	0.0005
3.2877	8650	0.0051
3.3067	8700	0.0006
3.3257	8750	0.0004
3.3447	8800	0.003
3.3637	8850	0.0055
3.3827	8900	0.015
3.4017	8950	0.016
3.4208	9000	0.0008
3.4398	9050	0.0006
3.4588	9100	0.0004
3.4778	9150	0.0008
3.4968	9200	0.0167
3.5158	9250	0.0004
3.5348	9300	0.0051
3.5538	9350	0.0093
3.5728	9400	0.0004
3.5918	9450	0.003
3.6108	9500	0.0005
3.6298	9550	0.0006
3.6488	9600	0.0073
3.6678	9650	0.0021
3.6868	9700	0.0019
3.7058	9750	0.0013
3.7248	9800	0.0005
3.7438	9850	0.0005
3.7628	9900	0.0011
3.7818	9950	0.0007
3.8008	10000	0.0081
3.8198	10050	0.0017
3.8388	10100	0.0154
3.8578	10150	0.0035
3.8769	10200	0.0023
3.8959	10250	0.0007
3.9149	10300	0.0143
3.9339	10350	0.0005
3.9529	10400	0.0002
3.9719	10450	0.0103
3.9909	10500	0.0019
4.0099	10550	0.0008
4.0289	10600	0.0066
4.0479	10650	0.0002
4.0669	10700	0.0067
4.0859	10750	0.0009
4.1049	10800	0.003
4.1239	10850	0.0001
4.1429	10900	0.0016
4.1619	10950	0.0005
4.1809	11000	0.0249
4.1999	11050	0.0379
4.2189	11100	0.0106
4.2379	11150	0.0015
4.2569	11200	0.0003
4.2759	11250	0.0004
4.2949	11300	0.0026
4.3139	11350	0.0003
4.3330	11400	0.0001
4.3520	11450	0.0002
4.3710	11500	0.0004
4.3900	11550	0.0003
4.4090	11600	0.0042
4.4280	11650	0.0037
4.4470	11700	0.0046
4.4660	11750	0.0013
4.4850	11800	0.0003
4.5040	11850	0.0003
4.5230	11900	0.0019
4.5420	11950	0.0002
4.5610	12000	0.0019
4.5800	12050	0.0003
4.5990	12100	0.0002
4.6180	12150	0.0009
4.6370	12200	0.0007
4.6560	12250	0.0051
4.6750	12300	0.0003
4.6940	12350	0.0031
4.7130	12400	0.0002
4.7320	12450	0.0018
4.7510	12500	0.0003
4.7700	12550	0.0004
4.7891	12600	0.0017
4.8081	12650	0.0042
4.8271	12700	0.0022
4.8461	12750	0.0082
4.8651	12800	0.0017
4.8841	12850	0.0042
4.9031	12900	0.0005
4.9221	12950	0.0002
4.9411	13000	0.0061
4.9601	13050	0.0011
4.9791	13100	0.0003
4.9981	13150	0.0016

Framework Versions

• Python: 3.10.13
• Sentence Transformers: 3.0.1
• Transformers: 4.41.2
• PyTorch: 2.1.2
• Accelerate: 0.30.1
• Datasets: 2.19.2
• Tokenizers: 0.19.1

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}
}