File size: 71,978 Bytes
88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 9032cad 88bb101 | 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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:10494
- loss:MultipleNegativesRankingLoss
base_model: vinai/phobert-base-v2
widget:
- source_sentence: tôi cần bếp từ công suất lớn hơn 1870W
sentences:
- 'Bếp điện từ Sunhouse SHD6862, 980W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 1500W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 1400W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 1100W, mặt kính chịu lực, Giá: 2.200.000'
- 'Màn hình Dell UltraSharp U2720Q, 27", 4K UHD, Giá: 11.500.000'
- 'Máy xay sinh tố cầm tay Braun MQ520, công suất 600W, 2 cối, Giá: 880.000'
- 'Bếp điện từ Sunhouse SHD6862, 1300W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bình nóng lạnh Ariston Andris2 15L, Công suất 2500W, Giá: 2.600.000'
- 'Loa Bluetooth Sony SRS-XP500, công suất 120W, pin 20h, Giá: 5.800.000'
- 'Bếp điện từ Sunhouse SHD6862, 1600W, mặt kính chịu lực, Giá: 2.200.000'
- 'Xe máy điện VinFast Theon S, Tốc độ tối đa 90km/h, Pin 3500W, Giá: 63.000.000'
- 'Máy ảnh Canon PowerShot G7X Mark III, Trọng lượng 300g, 20.1MP, Giá: 15.500.000'
- 'Bếp điện từ Sunhouse SHD6862, 1000W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 1200W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 1800W, mặt kính chịu lực, Giá: 2.200.000'
- 'Bếp điện từ Sunhouse SHD6862, 2200W, mặt kính chịu lực, Giá: 2.200.000'
- source_sentence: có tủ lạnh dung tích ít nhất 319 lít
sentences:
- 'Bàn là hơi nước Philips GC2990, công suất 1800W, Giá: 680.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 180L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 160L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 200L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Xe điện Anbico AP1500, Tốc độ 45km/h, Nặng 48kg, Pin Lithium, Giá: 14.200.000'
- 'Sofa nỉ cao cấp nhập khẩu, dài 2.1m, khung gỗ sồi, Giá: 14.800.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 250L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 230L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 456L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Máy xay Philips HR2115, công suất 515W, cối 1.5L, Giá: 1.203.000'
- 'Camera hành trình Vietmap C65, Độ phân giải 4K, Góc rộng 170°, Giá: 3.800.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 240L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 290L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 170L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Tủ lạnh Hitachi Inverter R-FVX450PGV9, Dung tích 300L, Ngăn đá trên, Công nghệ
Inverter, Giá: 14.900.000'
- 'Laptop HP Pavilion 15, RAM 16GB, SSD 512GB, Intel Core i5, Giá: 18.900.000'
- source_sentence: mình cần máy bơm nước công suất tối thiểu 100W
sentences:
- 'Tủ lạnh Sanaky 250L, 2 ngăn đông - mát, Inverter tiết kiệm điện, Giá: 7.800.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 93.2W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 80.5W, Đẩy cao 32m, Giá: 2.500.000'
- 'Xe điện Giant Momentum iLike, Tốc độ 45km/h, Nặng 52kg, Pin Lithium, Giá: 18.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 250W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 90.7W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 94.2W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 59.7W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 76.4W, Đẩy cao 32m, Giá: 2.500.000'
- 'Smartwatch Huawei Watch GT 3, Màn hình AMOLED 1.6", Pin 14 ngày, Giá: 5.500.000'
- 'Tủ lạnh Samsung Inverter RT35K5982SL, Dung tích 360L, Công nghệ Twin Cooling
Plus, Giá: 10.900.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 85.0W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy sấy tóc Panasonic EH-ND11, 1800W, chế độ ion âm, Giá: 780.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 63.4W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 62.9W, Đẩy cao 32m, Giá: 2.500.000'
- 'Máy bơm Panasonic GP-250JXK, Công suất 95.0W, Đẩy cao 32m, Giá: 2.500.000'
- source_sentence: mình cần máy ảnh nặng nhỏ hơn 684g
sentences:
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 920g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 740g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 580g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Kem dưỡng ẩm Hada Labo Gokujyun 50g, Chứa hyaluronic acid, Không hương liệu,
Dành cho da khô, Xuất xứ: Nhật Bản, Giá: 295.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 980g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 910g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 960g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 930g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 890g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Tủ lạnh LG Inverter GR-B22FTL, Dung tích 450L, Công nghệ Linear Cooling, Giá:
13.500.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 940g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Bàn phím Akko 3068B Plus, Switch Akko V3, Tuổi thọ 60 triệu lần nhấn, Giá: 2.200.000'
- 'Tủ lạnh Toshiba Inverter GR-RT500, Dung tích 500L, Ngăn đông lớn, Giá: 12.900.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 1000g, Lens kit 15-45mm, Giá: 17.800.000'
- 'Máy ảnh Canon EOS M50 Mark II, 24.1MP, Nặng 990g, Lens kit 15-45mm, Giá: 17.800.000'
- Ổ cắm thông minh Xiaomi Mi Power Strip, chịu tải 2500W, 6 ổ cắm, WiFi, Giá 390.000
- source_sentence: Cho mình ghế massage Daikiosan công suất nhỏ hơn 158W có không
ạ?
sentences:
- 'Smartphone Xiaomi Redmi Note 12, RAM 6GB, ROM 128GB, pin 5000mAh, Giá: 4.790.000'
- 'Xe côn tay Yamaha TFX 150, Động cơ 155cc, Phun xăng điện tử, Giá: 55.000.000'
- 'Ghế massage Daikiosan DK-180, công suất 180W, nhiều chế độ, Giá: 3.950.000'
- 'Ghế massage Daikiosan DK-200, công suất 140W, nhiều chế độ, Giá: 4.250.000'
- 'Ghế massage Daikiosan DK-180, công suất 230W, nhiều chế độ, Giá: 3.950.000'
- 'Loa Sony SRS-XB23, công suất 25W, pin 12h, chống nước IP67, Giá: 3.200.000'
- 'Son dưỡng môi Vaseline Lip Therapy, Trọng lượng: 7g, Thành phần: petroleum jelly,
Mùi: hoa hồng, Xuất xứ: Mỹ, Giá: 95.000'
- 'Ghế massage Daikiosan DK-180, công suất 220W, nhiều chế độ, Giá: 3.950.000'
- 'Ghế massage Daikiosan DK-180, công suất 240W, nhiều chế độ, Giá: 3.950.000'
- 'Ghế massage Daikiosan DK-180, công suất 210W, nhiều chế độ, Giá: 3.950.000'
- 'Ghế massage Daikiosan DK-180, công suất 170W, nhiều chế độ, Giá: 3.950.000'
- 'Ghế massage Daikiosan DK-180, công suất 200W, nhiều chế độ, Giá: 3.950.000'
- 'Robot hút bụi Ecovacs Deebot N79S, lực hút 3000Pa, pin 5200mAh, Giá: 7.250.000'
- 'Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000'
- 'Máy giặt Electrolux Inverter EWF9024BDWB, 9kg, Công nghệ UltraMix, Giá: 10.500.000'
- 'Loa Soundbar Samsung HW-T420, công suất 120W, bluetooth, Giá: 2.450.000'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@2
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_accuracy@100
- cosine_precision@1
- cosine_precision@2
- cosine_precision@5
- cosine_precision@10
- cosine_precision@100
- cosine_recall@1
- cosine_recall@2
- cosine_recall@5
- cosine_recall@10
- cosine_recall@100
- cosine_ndcg@10
- cosine_mrr@1
- cosine_mrr@2
- cosine_mrr@5
- cosine_mrr@10
- cosine_mrr@100
- cosine_map@100
model-index:
- name: SentenceTransformer based on vinai/phobert-base-v2
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.5257289879931389
name: Cosine Accuracy@1
- type: cosine_accuracy@2
value: 0.7530017152658662
name: Cosine Accuracy@2
- type: cosine_accuracy@5
value: 0.9562607204116638
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.9931389365351629
name: Cosine Accuracy@10
- type: cosine_accuracy@100
value: 0.9965694682675815
name: Cosine Accuracy@100
- type: cosine_precision@1
value: 0.5257289879931389
name: Cosine Precision@1
- type: cosine_precision@2
value: 0.3765008576329331
name: Cosine Precision@2
- type: cosine_precision@5
value: 0.19125214408233276
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0993138936535163
name: Cosine Precision@10
- type: cosine_precision@100
value: 0.009965694682675816
name: Cosine Precision@100
- type: cosine_recall@1
value: 0.5257289879931389
name: Cosine Recall@1
- type: cosine_recall@2
value: 0.7530017152658662
name: Cosine Recall@2
- type: cosine_recall@5
value: 0.9562607204116638
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.9931389365351629
name: Cosine Recall@10
- type: cosine_recall@100
value: 0.9965694682675815
name: Cosine Recall@100
- type: cosine_ndcg@10
value: 0.776023945219392
name: Cosine Ndcg@10
- type: cosine_mrr@1
value: 0.5257289879931389
name: Cosine Mrr@1
- type: cosine_mrr@2
value: 0.6393653516295026
name: Cosine Mrr@2
- type: cosine_mrr@5
value: 0.6983704974271029
name: Cosine Mrr@5
- type: cosine_mrr@10
value: 0.7039832285115316
name: Cosine Mrr@10
- type: cosine_mrr@100
value: 0.7042308189713864
name: Cosine Mrr@100
- type: cosine_map@100
value: 0.704230818971385
name: Cosine Map@100
---
# SentenceTransformer based on vinai/phobert-base-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). 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:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) <!-- at revision e2375d266bdf39c6e8e9a87af16a5da3190b0cc8 -->
- **Maximum Sequence Length:** 256 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': 256, 'do_lower_case': False}) with Transformer model: RobertaModel
(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})
)
```
## 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("meandyou200175/e5-query-sql")
# Run inference
sentences = [
'Cho mình ghế massage Daikiosan công suất nhỏ hơn 158W có không ạ?',
'Ghế massage Daikiosan DK-180, công suất 120W, nhiều chế độ, Giá: 3.950.000',
'Ghế massage Daikiosan DK-180, công suất 210W, nhiều chế độ, Giá: 3.950.000',
]
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.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:---------------------|:----------|
| cosine_accuracy@1 | 0.5257 |
| cosine_accuracy@2 | 0.753 |
| cosine_accuracy@5 | 0.9563 |
| cosine_accuracy@10 | 0.9931 |
| cosine_accuracy@100 | 0.9966 |
| cosine_precision@1 | 0.5257 |
| cosine_precision@2 | 0.3765 |
| cosine_precision@5 | 0.1913 |
| cosine_precision@10 | 0.0993 |
| cosine_precision@100 | 0.01 |
| cosine_recall@1 | 0.5257 |
| cosine_recall@2 | 0.753 |
| cosine_recall@5 | 0.9563 |
| cosine_recall@10 | 0.9931 |
| cosine_recall@100 | 0.9966 |
| **cosine_ndcg@10** | **0.776** |
| cosine_mrr@1 | 0.5257 |
| cosine_mrr@2 | 0.6394 |
| cosine_mrr@5 | 0.6984 |
| cosine_mrr@10 | 0.704 |
| cosine_mrr@100 | 0.7042 |
| cosine_map@100 | 0.7042 |
<!--
## 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: 10,494 training samples
* Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, <code>negative_9</code>, <code>negative_10</code>, <code>negative_11</code>, <code>negative_12</code>, <code>negative_13</code>, <code>negative_14</code>, and <code>negative_15</code>
* Approximate statistics based on the first 1000 samples:
| | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 5 tokens</li><li>mean: 14.4 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.51 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 28.07 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.79 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.84 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.87 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.86 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.84 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.97 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.06 tokens</li><li>max: 93 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.92 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.64 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.3 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.74 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.3 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 27.41 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.4 tokens</li><li>max: 110 tokens</li></ul> |
* Samples:
| query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
|:----------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------|
| <code>Máy hút ẩm công suất 34L/ngày và độ ồn nhỏ hơn 45dB</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 25L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 41.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 39.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 44.9L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 45.6L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 43.7L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 37.2L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 41.5L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 42.6L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 43.8L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy hút ẩm Sharp DW-J27FV-S, công suất hút 39.7L/ngày, độ ồn chỉ 38dB vận hành êm ái, lọc HEPA loại bỏ bụi mịn, khử mùi bằng than hoạt tính, bình chứa 4L, có chế độ sấy quần áo, bánh xe di chuyển linh hoạt, bảo hành 24 tháng, Giá 8.790.000</code> | <code>Máy giặt LG Inverter 9kg, Lồng ngang, Giặt hơi nước, Giá: 9.500.000</code> | <code>Máy lọc nước Sunhouse SHA8810, công suất lọc 10L/h, 8 lõi lọc, Giá: 6.500.000</code> | <code>Ghế văn phòng Noble WB-205, xoay 360°, tựa lưng cao, chịu lực 160kg, Giá: 2.450.000</code> | <code>Ghế gấp Inox bọc nệm, Tải trọng 100kg, Giá: 650.000</code> | <code>Quạt điều hòa Sunhouse SHD7725, Lưu lượng 5.500 m³/h, Bình nước 50L, Giá: 4.900.000</code> |
| <code>Cho mình bàn ủi khô công suất lớn hơn 750W được không ạ?</code> | <code>Bàn ủi khô Tefal FV1020, công suất 1000W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 690W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 580W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 460W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 660W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 610W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 440W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 620W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 510W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 540W, Giá: 380.000</code> | <code>Bàn ủi khô Tefal FV1020, công suất 430W, Giá: 380.000</code> | <code>Máy lọc Kangaroo KG111, công suất 25L/h, 9 lõi lọc, vòi nhựa ABS, Giá 7.550.000</code> | <code>Màn hình Samsung Odyssey Neo G9, 49 inch, 240Hz, 2K, Giá: 42.000.000</code> | <code>Máy sấy tóc Philips HP8230, Công suất 2100W, 2 chế độ gió, Giá: 620.000</code> | <code>Robot hút bụi Ecovacs Deebot T10, Pin 5200mAh, Hút 5000Pa, Giá: 12.900.000</code> | <code>Loa kéo Sansui SA2-12, Công suất 600W, Kèm micro, Giá: 4.900.000</code> |
| <code>mình cần tủ rượu dung tích lớn hơn 56 chai</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 140 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 39.1 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 51.7 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 29.9 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 49.4 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 46.6 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 37.7 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 50.2 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 51.5 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 34.2 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Tủ ướp rượu Kadeka KS140TL, Sức chứa 42.1 chai, Kính chống UV, Inverter, Giá: 28.500.000</code> | <code>Nồi áp suất điện Philips HD2137, dung tích 6L, công suất 1000W, Giá: 1.755.000</code> | <code>Máy sấy tóc Panasonic EH-ND11, công suất 1600W, 2 tốc độ, Giá: 450.000</code> | <code>Tủ quần áo gỗ MDF 3 cánh, Cao 2m, Rộng 1m6, Giá: 6.500.000</code> | <code>Máy sấy Electrolux EDH802, công suất 2000W, sức chứa 8kg, Giá: 12.500.000</code> | <code>Bàn học gỗ MDF, Rộng 1m2, Ngăn kéo bên, Giá: 2.400.000</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"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 1,166 evaluation samples
* Columns: <code>query</code>, <code>positive</code>, <code>negative_1</code>, <code>negative_2</code>, <code>negative_3</code>, <code>negative_4</code>, <code>negative_5</code>, <code>negative_6</code>, <code>negative_7</code>, <code>negative_8</code>, <code>negative_9</code>, <code>negative_10</code>, <code>negative_11</code>, <code>negative_12</code>, <code>negative_13</code>, <code>negative_14</code>, and <code>negative_15</code>
* Approximate statistics based on the first 1000 samples:
| | query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string | string |
| details | <ul><li>min: 6 tokens</li><li>mean: 14.35 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.84 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.97 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.92 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.96 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.89 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.86 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.85 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 28.07 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.99 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.64 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.43 tokens</li><li>max: 91 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.43 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.15 tokens</li><li>max: 73 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.6 tokens</li><li>max: 96 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 27.39 tokens</li><li>max: 110 tokens</li></ul> | <ul><li>min: 17 tokens</li><li>mean: 27.65 tokens</li><li>max: 110 tokens</li></ul> |
* Samples:
| query | positive | negative_1 | negative_2 | negative_3 | negative_4 | negative_5 | negative_6 | negative_7 | negative_8 | negative_9 | negative_10 | negative_11 | negative_12 | negative_13 | negative_14 | negative_15 |
|:------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------|
| <code>tôi muốn xe đạp thể thao khung carbon dưới 14kg</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 8.5kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.2kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.7kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.1kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.8kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.6kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 19.4kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 15.7kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 15.3kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 17.9kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Xe đạp Giant TCR Advanced 2, Khung carbon, Trọng lượng: 16.4kg, Groupset Shimano 105, Giá: 42,900,000</code> | <code>Bếp từ Sunhouse SHD6017, Công suất: 1400W, Mặt kính chịu lực, 8 chế độ nấu, Giá: 899,000</code> | <code>Quạt bàn Midea FZ40-15DB, công suất 60W, 3 tốc độ, Giá: 350.000</code> | <code>Máy lọc không khí Coway AP-1009CH, Diện tích phòng 33m2, Lọc HEPA, Giá: 4.200.000</code> | <code>Máy chiếu ViewSonic PA503X, Tuổi thọ 15.000h, Độ sáng 3.800 Lumens, Giá: 9.900.000</code> | <code>Bếp từ đôi Kangaroo KG499N, Công suất 2200W, Mặt kính Schott, Giá: 4.200.000</code> |
| <code>mình cần máy in tốc độ trên 25 trang/phút và giá nhỏ hơn 9 triệu</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 6.800.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 11.000.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 13.000.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 12.000.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.968.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.979.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 10.000.000</code> | <code>Máy in HP LaserJet Pro M404dn, Tốc độ 30 trang/phút, Kết nối LAN, Giá: 9.467.000</code> | <code>Balo laptop Xiaomi 15.6 inch, chống nước, nhiều ngăn, Giá: 980.000</code> | <code>Máy lọc nước Karofi KAQ-U95, Công suất 780W, 10 lõi lọc, Giá: 6.500.000</code> | <code>Máy sấy tóc Panasonic EH-ND64, Công suất 1600W, 3 mức gió, Giá: 750.000</code> | <code>Tủ lạnh Samsung Inverter RT35K5982SL, Dung tích 360L, Công nghệ Twin Cooling Plus, Giá: 10.900.000</code> | <code>Máy ảnh Canon EOS M50 Mark II, Trọng lượng: 387g, Cảm biến APS-C 24.1MP, Quay 4K, Màn hình xoay lật, Giá: 15,900,000</code> | <code>Đèn năng lượng mặt trời Sunhouse SH-SOL28, công suất 28W, pin lithium 12V, Giá 650.000</code> | <code>Điện thoại Samsung Galaxy M14, pin 6000mAh, màn hình 6.6 inch, RAM 6GB, ROM 128GB, Giá 4.290.000</code> | <code>Giày Converse Chuck Taylor 1970s High, Canvas, Giá: 1.850.000</code> |
| <code>Máy lọc nước công suất nhỏ hơn 1445W</code> | <code>Máy lọc nước Karofi KSI90, công suất 850W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 1900W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 2000W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 1600W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 1500W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 1700W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy lọc nước Karofi KSI90, công suất 2100W, 9 lõi lọc, tiết kiệm điện, Giá 3.790.000</code> | <code>Máy xay Philips HR2056, Cối 0.7L, 4 cánh thép, Giá: 650.000</code> | <code>Loa JBL PartyBox 110, Công suất 160W, Chống nước IPX4, Giá: 8.500.000</code> | <code>Lò vi sóng Electrolux 25L, công suất 900W, chức năng rã đông, Giá: 3.500.000</code> | <code>Đèn năng lượng mặt trời Sunhouse SH-SOL30, công suất 25W, pin lithium 12V, Giá: 650.000</code> | <code>Loa Sony SRS-XB23, công suất 25W, pin 12h, chống nước IP67, Giá: 3.200.000</code> | <code>Máy sấy tóc Panasonic EH-ND11, 1900W, chế độ ion âm, Giá: 785.000</code> | <code>Sofa nỉ nhập khẩu, Chiều dài 2m2, 3 chỗ ngồi, Giá: 11.500.000</code> | <code>Tủ đông Alaska BCD-3.568, Dung tích 360L, 2 ngăn đông-mát, Giá: 9.500.000</code> | <code>Gạo ST25 túi 5kg, Hạt dài, dẻo, thơm tự nhiên, Xuất xứ: Sóc Trăng, Chứng nhận OCOP, Giá: 240.000</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
- `eval_strategy`: steps
- `learning_rate`: 2e-05
- `num_train_epochs`: 10
- `warmup_ratio`: 0.1
- `fp16`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 8
- `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
- `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`: 10
- `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`: True
- `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`: 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
- `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`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
<details><summary>Click to expand</summary>
| Epoch | Step | Training Loss | Validation Loss | cosine_ndcg@10 |
|:------:|:-----:|:-------------:|:---------------:|:--------------:|
| -1 | -1 | - | - | 0.1885 |
| 0.0762 | 100 | 3.4564 | - | - |
| 0.1524 | 200 | 2.4965 | - | - |
| 0.2287 | 300 | 2.4147 | - | - |
| 0.3049 | 400 | 2.2799 | - | - |
| 0.3811 | 500 | 1.9016 | - | - |
| 0.4573 | 600 | 1.6222 | - | - |
| 0.5335 | 700 | 1.5005 | - | - |
| 0.6098 | 800 | 1.2556 | - | - |
| 0.6860 | 900 | 1.2152 | - | - |
| 0.7622 | 1000 | 1.0514 | 0.7850 | 0.5380 |
| 0.8384 | 1100 | 0.9779 | - | - |
| 0.9146 | 1200 | 0.7901 | - | - |
| 0.9909 | 1300 | 0.8193 | - | - |
| 1.0671 | 1400 | 0.6562 | - | - |
| 1.1433 | 1500 | 0.5943 | - | - |
| 1.2195 | 1600 | 0.6152 | - | - |
| 1.2957 | 1700 | 0.497 | - | - |
| 1.3720 | 1800 | 0.5094 | - | - |
| 1.4482 | 1900 | 0.3873 | - | - |
| 1.5244 | 2000 | 0.3555 | 0.3186 | 0.6475 |
| 1.6006 | 2100 | 0.3265 | - | - |
| 1.6768 | 2200 | 0.3788 | - | - |
| 1.7530 | 2300 | 0.3472 | - | - |
| 1.8293 | 2400 | 0.341 | - | - |
| 1.9055 | 2500 | 0.3419 | - | - |
| 1.9817 | 2600 | 0.3228 | - | - |
| 2.0579 | 2700 | 0.3064 | - | - |
| 2.1341 | 2800 | 0.2423 | - | - |
| 2.2104 | 2900 | 0.2225 | - | - |
| 2.2866 | 3000 | 0.2204 | 0.2283 | 0.6909 |
| 2.3628 | 3100 | 0.2097 | - | - |
| 2.4390 | 3200 | 0.2072 | - | - |
| 2.5152 | 3300 | 0.2057 | - | - |
| 2.5915 | 3400 | 0.2142 | - | - |
| 2.6677 | 3500 | 0.1964 | - | - |
| 2.7439 | 3600 | 0.1807 | - | - |
| 2.8201 | 3700 | 0.1822 | - | - |
| 2.8963 | 3800 | 0.1836 | - | - |
| 2.9726 | 3900 | 0.1889 | - | - |
| 3.0488 | 4000 | 0.1487 | 0.1836 | 0.7172 |
| 3.125 | 4100 | 0.1519 | - | - |
| 3.2012 | 4200 | 0.1684 | - | - |
| 3.2774 | 4300 | 0.1211 | - | - |
| 3.3537 | 4400 | 0.1554 | - | - |
| 3.4299 | 4500 | 0.1421 | - | - |
| 3.5061 | 4600 | 0.1339 | - | - |
| 3.5823 | 4700 | 0.1324 | - | - |
| 3.6585 | 4800 | 0.138 | - | - |
| 3.7348 | 4900 | 0.1181 | - | - |
| 3.8110 | 5000 | 0.139 | 0.1709 | 0.7259 |
| 3.8872 | 5100 | 0.1284 | - | - |
| 3.9634 | 5200 | 0.1172 | - | - |
| 4.0396 | 5300 | 0.0993 | - | - |
| 4.1159 | 5400 | 0.1183 | - | - |
| 4.1921 | 5500 | 0.0865 | - | - |
| 4.2683 | 5600 | 0.0926 | - | - |
| 4.3445 | 5700 | 0.0973 | - | - |
| 4.4207 | 5800 | 0.1106 | - | - |
| 4.4970 | 5900 | 0.1024 | - | - |
| 4.5732 | 6000 | 0.0842 | 0.1439 | 0.7421 |
| 4.6494 | 6100 | 0.0927 | - | - |
| 4.7256 | 6200 | 0.0867 | - | - |
| 4.8018 | 6300 | 0.1022 | - | - |
| 4.8780 | 6400 | 0.1124 | - | - |
| 4.9543 | 6500 | 0.0839 | - | - |
| 5.0305 | 6600 | 0.1063 | - | - |
| 5.1067 | 6700 | 0.0764 | - | - |
| 5.1829 | 6800 | 0.0687 | - | - |
| 5.2591 | 6900 | 0.0863 | - | - |
| 5.3354 | 7000 | 0.0804 | 0.1185 | 0.7501 |
| 5.4116 | 7100 | 0.0726 | - | - |
| 5.4878 | 7200 | 0.0627 | - | - |
| 5.5640 | 7300 | 0.0644 | - | - |
| 5.6402 | 7400 | 0.0682 | - | - |
| 5.7165 | 7500 | 0.0713 | - | - |
| 5.7927 | 7600 | 0.0753 | - | - |
| 5.8689 | 7700 | 0.0815 | - | - |
| 5.9451 | 7800 | 0.0663 | - | - |
| 6.0213 | 7900 | 0.083 | - | - |
| 6.0976 | 8000 | 0.0682 | 0.1262 | 0.7626 |
| 6.1738 | 8100 | 0.0711 | - | - |
| 6.25 | 8200 | 0.0581 | - | - |
| 6.3262 | 8300 | 0.0655 | - | - |
| 6.4024 | 8400 | 0.0612 | - | - |
| 6.4787 | 8500 | 0.0714 | - | - |
| 6.5549 | 8600 | 0.0509 | - | - |
| 6.6311 | 8700 | 0.0486 | - | - |
| 6.7073 | 8800 | 0.0456 | - | - |
| 6.7835 | 8900 | 0.0724 | - | - |
| 6.8598 | 9000 | 0.0596 | 0.1049 | 0.7675 |
| 6.9360 | 9100 | 0.0424 | - | - |
| 7.0122 | 9200 | 0.0617 | - | - |
| 7.0884 | 9300 | 0.0484 | - | - |
| 7.1646 | 9400 | 0.0506 | - | - |
| 7.2409 | 9500 | 0.0561 | - | - |
| 7.3171 | 9600 | 0.0502 | - | - |
| 7.3933 | 9700 | 0.0357 | - | - |
| 7.4695 | 9800 | 0.0476 | - | - |
| 7.5457 | 9900 | 0.0379 | - | - |
| 7.6220 | 10000 | 0.0455 | 0.1063 | 0.7706 |
| 7.6982 | 10100 | 0.0479 | - | - |
| 7.7744 | 10200 | 0.0605 | - | - |
| 7.8506 | 10300 | 0.0486 | - | - |
| 7.9268 | 10400 | 0.0591 | - | - |
| 8.0030 | 10500 | 0.0445 | - | - |
| 8.0793 | 10600 | 0.0369 | - | - |
| 8.1555 | 10700 | 0.041 | - | - |
| 8.2317 | 10800 | 0.0449 | - | - |
| 8.3079 | 10900 | 0.0387 | - | - |
| 8.3841 | 11000 | 0.0263 | 0.1080 | 0.7706 |
| 8.4604 | 11100 | 0.0248 | - | - |
| 8.5366 | 11200 | 0.0475 | - | - |
| 8.6128 | 11300 | 0.056 | - | - |
| 8.6890 | 11400 | 0.0401 | - | - |
| 8.7652 | 11500 | 0.043 | - | - |
| 8.8415 | 11600 | 0.0447 | - | - |
| 8.9177 | 11700 | 0.0461 | - | - |
| 8.9939 | 11800 | 0.0436 | - | - |
| 9.0701 | 11900 | 0.0373 | - | - |
| 9.1463 | 12000 | 0.0498 | 0.1015 | 0.7761 |
| 9.2226 | 12100 | 0.0284 | - | - |
| 9.2988 | 12200 | 0.0421 | - | - |
| 9.375 | 12300 | 0.0327 | - | - |
| 9.4512 | 12400 | 0.0476 | - | - |
| 9.5274 | 12500 | 0.0381 | - | - |
| 9.6037 | 12600 | 0.0377 | - | - |
| 9.6799 | 12700 | 0.0449 | - | - |
| 9.7561 | 12800 | 0.0344 | - | - |
| 9.8323 | 12900 | 0.0249 | - | - |
| 9.9085 | 13000 | 0.0411 | 0.0993 | 0.7760 |
| 9.9848 | 13100 | 0.0466 | - | - |
</details>
### Framework Versions
- Python: 3.11.13
- Sentence Transformers: 4.1.0
- Transformers: 4.52.4
- PyTorch: 2.6.0+cu124
- Accelerate: 1.8.1
- Datasets: 3.6.0
- Tokenizers: 0.21.2
## 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{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.*
--> |