hakansabunis/trakad-embed-v2

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Supported Modality: Text

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'embedding_dimension': 768, 'pooling_mode': 'mean', 'include_prompt': True})
)

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("sentence_transformers_model_id")
# Run inference
sentences = [
    'PLC kontrollü SILAR cihazı yapımı',
    "Bu çalışmada, ince film kaplama metotlarından birisi olan Ardışık İyonik Tabaka Adsorpsiyon ve Reaksiyonu (SILAR) metodu ele alınarak bu metodu otomatik olarak uygulayacak cihaz yapımı gerçekleştirildi. SILAR metoduna etki eden parametreler; çözelti konsantrasyonu, çözelti pH'sı, çözeltilerin sıcaklığı, SILAR döngü sayısı ve bekleme süreleri gibi SILAR metoduna etki eden parametreler ayrı ayrı incelendi. Bu parametrelerden biri olan çözeltilerdeki bekleme süresi üzerinde özellikle durularak yapılan SILAR cihazının bu parametre üzerindeki olumlu etkisi anlatıldı. Yapılan bu çalışmada, SILAR metodu çok kolay bir metot olmasına rağmen tamamen insan gücü ile yapılmasının hatalara yol açacağı ve insan hatası faktörünün çok kaliteli ince film üretimine engel teşkil edeceği anlaşıldı. Üretilen bu özgün cihaz ile insan hatası faktörünü ortadan kaldırılarak zaman kaybı olmadan çok kaliteli ince filmler elde edilebilmesi amaçlandı.\nAyrıca, üretilen bu otomatik cihazın kontrolünü sağlayan mikro denetleyici ailesinden en yaygın olarak kullanılan Programlanabilir Mantıksal Denetleyici (PLC) 'de ele alınarak avantajlarından ve kullanım alanlarından bahsedilerek neden projemizde hayat bulduğu üzerinde duruldu.",
    'Bu tez çalışmasında, CUK dönüştürücünün tasarımı ve kontrolü gerçekleştirilmiştir. CUK dönüştürücünün matematiksel analizi yapılmıştır. Sistemin Dinamik modelini bulmak için durum uzayı ortalama tekniği uygulanmıştır. Buradan dördüncü dereceden parametrik bir transfer fonksiyonu elde edilmiştir. Elde edilen parametreler kullanılarak CUK dönüştürücünün MATLAB/SIMULINK ortamında benzetimi yapılmış ve sonuçlar değerlendirilmiştir. MATLAB içerisinde yer alan Kullanıcı Tabanlı Ara Yüz (GUI) editörü kullanılarak transfer fonksiyonunu ve sistem için gerekli kontrol parametrelerini bulmak için ara yüz tasarımı yapılmıştır. Tasarlanan ara yüz ile dönüştürücüye ait parametreler girilerek transfer fonksiyonu oluşturulmuştur. Sisteme ait kontrol parametreleri (P, PI, PID) Ziegler-Nichols metodu kullanılarak elde edilmiştir.  Sistemin kontrolsüz, PI kontrollü ve PID kontrollü olarak benzetimi yapılmış ve sonuçlar değerlendirilmiştir. Son olarak CUK dönüştürücünün farklı parametre değerlerinde PID kontrol performansı üzerindeki etkiler incelenmiştir. Sistem için en uygun kontrol değerleri gözlemlenmiştir.',
]
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, 0.4182, 0.2907],
#         [0.4182, 1.0000, 0.0681],
#         [0.2907, 0.0681, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 633,965 training samples
• Columns: sentence_0, sentence_1, and sentence_2
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	sentence_2
  type	string	string	string
  details	min: 4 tokens mean: 23.97 tokens max: 74 tokens	min: 92 tokens mean: 127.82 tokens max: 128 tokens	min: 98 tokens mean: 127.88 tokens max: 128 tokens

• Samples:

  sentence_0	sentence_1	sentence_2
  Pesekinovaruslu hastaların ponseti yöntemi ile tedavisi	Biz bu çalışmada kliniğimizde 2006 ve 2010 yılları arasında Dicle Üniversitesi Ortopedi ve Travmatoloji Anabilim Dalında idiopatik PEV tanısı konan ve ponseti yöntemiyle tedavi edilen, en küçüğü 4 günlük en büyüğü 42 ay(ortalama 9,2 ay) 35 hastanın 60 ayağının sonuçlarını değerlendirdik. 35 hastanın 7'si kız, 28'i erkek idi. 10 hastada tek taraflı tutulum(2 sol- 8 sağ), 25 hastada çift taraflı tutulum vardı. Takip süresi minimum 12ay maksimum 50 ay olmak üzere ortalama 28,8 ay idi. Tedaviye başlamadan önce Dimeglio ve arkadaşlarının kullandığı PEV değerlendirme sistemi kullanıldı. Tedavi öncesi 41 ayak(%68,3) 2. derece 19 ayak(%31,7) III. derece idi.Tedavi sonrası muayenede Laaveg-Ponseti fonksiyon değerlendirme skorlaması ve Dimeglio skorlaması yapıldı. Ponseti-Laaveg Fonksiyonel değerlendirme skorlamasına göre ponseti yöntemi ile tedavi ettiğimiz 60 ayağın %96,7 `sinde iyi veya mükemmel bir sonuç alındı. Dimeglio sınıflamasına göre tedavi sonrası hastalarımızın %93,3 grade 1 idi. Has...	ÖZET
  Amaç: Distal radius kırıkları, ortopedi pratiğinde en sık karşılaşılan yaralanmalardan biridir. Özellikle 55 yaş üzeri kadınlar distal radius kırıklarından en çok etkilenenlerdir. Bu hastalar konservatif ve cerrahi olarak tedavi edilebilir. Çalışmamızın amacı 55 yaş üzeri kadın hastaların distal radius kırıklarında radyolojik değerler ve fonksiyonel sonuçlar arasındaki ilişkiyi değerlendirmekti.
  Gereç ve Yöntem: Çalışmamızda 2018-2022 yılları arasında Ankara Eğitim ve Araştırma Hastanesi'ne başvuran, tarafımızca takibi yapılan tek taraflı distal radius kırığı bulunan 55 yaş ve üzeri konservatif takip edilen veya cerrahi uygulanan toplamda 198 hasta retrospektif olarak incelendi. Radyolojik değerler olarak; volar tilt, ulnar varyans, radial inklinasyon, radial uzunluk ve Lidström skorlaması kullanıldı. Fonksiyonel sonuçlar olarak Modifiye MAYO el bilek ve PRWE skorları
  değerlendirildi.
  Bulgular: Çalışmamızda minimum hasta yaşı 55 maksimum hasta yaşı 92'ydi. Hastaların yaşı arttıkça...
  Tüketim toplumu ve kültürü bağlamında bireyin fazla yeme davranışı	Bu araştırmada, modern öncesi dönem ile sonraki dönemlerde yaşanılan yaşamsal ve kültürel özellikleri, özellikle de postmodern döneme tekabül eden tüketim kültürüne bağlı gıdaların üretim süreçlerindeki uygulamaların ve tüketim biçimleri olan sembolik, gösterişçiliğe ve hazcılığa yönelik tüketimin, bireyin yeme davranışına olan etkileri değerlendirilmeye çalışıldı. Tüketim kültürüyle birlikte yaşanılan bu toplumsal değişimler; endüstriyel gıdalarla ve fast food tarzı beslenme, fazla yeme davranışı ve yaygınlaşan kronik hastalıklarla bütün bu olguların birbirleriyle arasındaki ilişkiler değerlendirildi. Araştırmanın tartışma ve ilgili değerlendirmeler bölümünde ise fazla yeme davranışı sonucunda gelişen problemlere yönelik olarak diyet- diyet dışı ve hareketli yaşam yaklaşımları ele alınmaya çalışıldı. İslâm dininin temel kaynakları olan Kur'an ve Hadis ile Mevlâna, Gazâlî ve İbn-i Haldun gibi İslâm medeniyetinin önemli şahsiyetlerinin tüketim ve fazla yeme davranışı özelindeki yaklaşım...	Beslenme şekilleri, insanların dinî düşünce ve kültür birikimini yansıtan önemli göstergeler arasındadır. Bireylerin nasıl beslendiğine bakarak dinî kimliği hakkında fikir yürütülebileceğinden, beslenme alışkanlıklarının dinî kimlik inşasında önemli bir rolü olduğu söylenebilir. Beslenme düzeni üzerinden bir kimlik inşa etmek gerek tarihi dinler gerekse Yeni Dinî Hareketlerin önemli bir boyutunu oluşturmaktadır. Birçok dinde oruç, kurban, dua gibi ritüeller, pratik olarak birbirine benzese de, beslenme düzenleri; coğrafya, ekonomik koşullar, kültürel etkileşimler gibi faktörlere göre farklılaşabilmekte, bütün bunlar modern çağdaki gelişmelerle birlikte dönüşebilmektedirler. Bu bağlamda yeryüzünde mensuplarının beslenme alışkanlıklarına müdahale etmeyen bir dinin olmadığını söylemek büyük bir iddia sayılmaz. Bu çalışmada beslenme ve din ilişkileri: beş Orta Doğu dini, beş Hint ve Uzak Doğu dini ve beş Yeni Dinî Hareket örnekleminde, literatür taramasının sağladığı formasyon çerçevesinde...
  Sağlık hukukunda diş hekimliği	Türkiye'de sağlık hukuku alanında özellikle son dönemde birçok yeni eser çıkmakta ve gündem oluşturan haberler çerçevesinde sağlık çalışanlarının hakları ve yükümlülükleri sıkça tartışılmaktadır. Diş hekimliği alanında da farklı eserler olmakla birlikte bu eserlerin hukuki sorumluluk kapsamında genel olarak tüm sağlık çalışanlarını ilgilendiren genel örnekler ve konular üzerinden hareket ettiği, diş hekimliğine özel birtakım konuları ele almakta yetersiz kalabildiği görülmektedir. Kaldı ki diş hekimlerinin günlük uygulamada yaşadıkları sorunlar üzerinden özel örneklerle hukuki sorumluluk konusunda mesleki farkındalığın arttırılmasına da ihtiyaç vardır. Tıbbi cihaz ve ürünlerde, sağlık turizmi ile sağlıkta reklam, bilgilendirme ve tanıtım faaliyetlerinde yapılan düzenlemelerde sağlık hakkı ve sağlık hizmetlerine erişim hakkı çerçevesinde insan onurunu merkeze alan uygulamalardan giderek uzaklaşıldığı gözlemlenmektedir. Bu durumun, mezuniyet öncesi dönemde, çekilmiş dişlerde yapılan teda...	Mesleki uygulamaları sırasında alınan kararlar ve yapılan müdahaleler açısından, tıbbi etik ve tıbbi deontolojinin yanısıra hukuk açısından da sorumluluklar taşıyan dişhekiminin tıbbi müdahalelerini doğrudan ya da dolaylı olarak düzenleyen birçok kanun, tüzük, yönetmelik, yönerge ve tebliğlerin sağlık mevzuatımız içinde yer almasına rağmen bunların hiç birinde dişhekiminin hukuki sorumluluğuna yer veren özel hükümler bulunmamaktadır. Genel hekimlik uygulamalarına ilişkin olarak kabul edilen ilkeler dişhekimleri açısından da geçerli olmakta, mesleki sorumluluklara aykırı davranışlar da yine genel yasal düzenlemeler çerçevesinde çözümlenmektedir.Son zamanlarda gittikçe artan bir şekilde hem kamuoyunun hem de hekim ve hukukçuların gündemini meşgul eden sağlık hukuku alanındaki gelişmelerin yanısıra; bu alanda daha çok hekimlerin hukuki sorumluluğu ele alınıp incelenmiş, dişhekimlerinin yasal sorumluluğu üzerinde pek fazla durulmamıştır.Bu tezde, dişhekimlerinin hastaları ile olan ilişkile...

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "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

• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• num_train_epochs: 1
• fp16: True
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• do_predict: False
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• 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: None
• warmup_ratio: None
• warmup_steps: 0
• 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: False
• 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: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss
0.0252	500	0.2429
0.0505	1000	0.1673
0.0757	1500	0.1605
0.1009	2000	0.1379
0.1262	2500	0.1358
0.1514	3000	0.1185
0.1767	3500	0.1139
0.2019	4000	0.1149
0.2271	4500	0.1153
0.2524	5000	0.1097
0.2776	5500	0.1056
0.3028	6000	0.1033
0.3281	6500	0.0937
0.3533	7000	0.0989
0.3786	7500	0.0916
0.4038	8000	0.0949
0.4290	8500	0.0944
0.4543	9000	0.0835
0.4795	9500	0.0889
0.5047	10000	0.0862
0.5300	10500	0.0775
0.5552	11000	0.0806
0.5805	11500	0.0811
0.6057	12000	0.0745
0.6309	12500	0.0811
0.6562	13000	0.0709
0.6814	13500	0.0742
0.7066	14000	0.0750
0.7319	14500	0.0759
0.7571	15000	0.0804
0.7824	15500	0.0658
0.8076	16000	0.0656
0.8328	16500	0.0688
0.8581	17000	0.0697
0.8833	17500	0.0681
0.9085	18000	0.0623
0.9338	18500	0.0645
0.9590	19000	0.0623
0.9843	19500	0.0619

Training Time

• Training: 1.1 hours

Framework Versions

• Python: 3.12.13
• Sentence Transformers: 5.4.1
• 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

@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{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},
}