Upload fine-tuned SBERT AES model

24ad73b verified 6 months ago

17.4 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:30000
  - loss:CosineSimilarityLoss
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
widget:
  - source_sentence: >-
      Pasar adalah tempat bertemunya penjual dan pembeli untuk melakukan
      transaksi barang dan jasa.
    sentences:
      - >-
        Langkah dasar pertolongan pertama pada luka ringan: cuci tangan,
        bersihkan luka dengan air bersih, hentikan pendarahan dengan tekanan,
        dan tutup dengan perban steril. Hal ini penting bagi kehidupan
        sehari-hari.
      - >-
        Kolonialisme adalah penguasaan wilayah oleh negara lain untuk
        kepentingan ekonomi-politik; pengaruhnya sering.
      - Jawabannya tidak sesuai atau salah pemahaman.
  - source_sentence: >-
      Internet adalah jaringan global yang menghubungkan komputer untuk
      pertukaran data. Pengaruhnya terhadap pembelajaran: akses informasi cepat,
      pembelajaran daring, namun juga potensi distraksi.
    sentences:
      - >-
        Estetika adalah cabang filsafat yang mempelajari keindahan dan
        pengalaman estetis; dalam seni rupa berkaitan dengan komposisi, warna,
        dan ekspresi visual. Hal ini penting bagi kehidupan sehari-hari.
      - >-
        Tugas warga negara termasuk menghormati hukum, ikut serta dalam
        pertahanan negara bila diperlukan, membayar pajak, serta ikut
        berpartisipasi dalam keh.
      - >-
        Internet adalah jaringan global yang menghubungkan komputer untuk
        pertukaran data.
  - source_sentence: >-
      Revolusi Industri dipicu oleh inovasi teknologi seperti mesin uap dan
      kapitalisme manufaktur. Dampaknya: urbanisasi dan peningkatan produksi
      massal.
    sentences:
      - >-
        Internet adalah jaringan global yang menghubungkan komputer untuk
        pertukaran data.
      - >-
        Revolusi Industri dipicu oleh inovasi teknologi seperti mesin uap dan
        kapitalisme manufaktur.
      - >-
        Tugas warga negara termasuk menghormati hukum, ikut serta dalam
        pertahanan negara bila diperlukan, membayar pajak, serta ikut
        berpartisipasi dalam keh.
  - source_sentence: >-
      Paragraf deduktif adalah paragraf di mana kalimat utama berada di awal,
      diikuti kalimat penjelas. Contoh: 'Pencemaran udara merupakan masalah
      serius. Hal ini disebabkan...'
    sentences:
      - >-
        Paragraf deduktif adalah paragraf di mana kalimat utama berada di awal,
        diikuti kalimat penjelas. Hal ini penting bagi kehidupan sehari-hari.
      - Jawabannya tidak sesuai atau salah pemahaman.
      - >-
        Tenaga surya memanfaatkan panel fotovoltaik untuk mengubah energi cahaya
        Matahari menjadi listrik melalui efek fotovoltaik, menyimpan energi di
        batera.
  - source_sentence: >-
      Menghemat energi: mematikan lampu saat tidak dipakai, menggunakan alat
      listrik hemat energi, dan mematikan perangkat elektronik sepenuhnya.
    sentences:
      - >-
        Keuntungan media sosial: memudahkan komunikasi dan berbagi informasi.
        Hal ini penting bagi kehidupan sehari-hari.
      - >-
        Pasar adalah tempat bertemunya penjual dan pembeli untuk melakukan
        transaksi barang dan jasa.
      - >-
        Menghemat energi: mematikan lampu saat tidak dipakai, menggunakan alat
        listrik hemat energi, dan mematikan perangkat elektronik sepenuhnya. Hal
        ini penting bagi kehidupan sehari-hari.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: >-
      SentenceTransformer based on
      sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: val eval
          type: val-eval
        metrics:
          - type: pearson_cosine
            value: 0.8295366326724024
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8415170164060174
            name: Spearman Cosine

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps sentences & paragraphs to a 384-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: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 dimensions
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': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
  (1): Pooling({'word_embedding_dimension': 384, '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:

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 = [
    'Menghemat energi: mematikan lampu saat tidak dipakai, menggunakan alat listrik hemat energi, dan mematikan perangkat elektronik sepenuhnya.',
    'Menghemat energi: mematikan lampu saat tidak dipakai, menggunakan alat listrik hemat energi, dan mematikan perangkat elektronik sepenuhnya. Hal ini penting bagi kehidupan sehari-hari.',
    'Keuntungan media sosial: memudahkan komunikasi dan berbagi informasi. Hal ini penting bagi kehidupan sehari-hari.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8903, 0.5474],
#         [0.8903, 1.0000, 0.7926],
#         [0.5474, 0.7926, 1.0000]])

Evaluation

Metrics

Semantic Similarity

Dataset: val-eval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8295
spearman_cosine	0.8415

Training Details

Training Dataset

Unnamed Dataset

Size: 30,000 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 12 tokens
mean: 28.76 tokens
max: 60 tokens

min: 6 tokens
mean: 20.18 tokens
max: 57 tokens

min: 0.0
mean: 0.62
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 12 tokens mean: 28.76 tokens max: 60 tokens	min: 6 tokens mean: 20.18 tokens max: 57 tokens	min: 0.0 mean: 0.62 max: 1.0

Samples:

sentence_0	sentence_1	label
`Mempelajari sejarah lokal membantu memahami identitas komunitas, menjaga warisan budaya, serta memberi pelajaran tentang perubahan sosial dan penyelesaian konflik di tingkat lokal.`	`Karena makanan cepat saji lebih sehat.`	`0.35`
`Urbanisasi adalah proses perpindahan penduduk dari daerah pedesaan ke daerah perkotaan yang dipicu oleh kesempatan kerja, fasilitas, dan layanan yang lebih baik di kota. Dampaknya meliputi pertumbuhan kota, tekanan pada fasilitas publik, dan perubahan sosial ekonomi.`	`Urbanisasi adalah proses perpindahan penduduk dari daerah pedesaan ke daerah perkotaan yang dipicu oleh kesempatan kerja.`	`0.47`
`Batik adalah kain bergambar yang dibuat dengan teknik perintangan lilin pada pewarnaannya.`	`Jawabannya tidak sesuai atau salah pemahaman.`	`0.37`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 4
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 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: 4
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
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
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}
parallelism_config: None
deepspeed: None
label_smoothing_factor: 0.0
optim: adamw_torch_fused
optim_args: None
adafactor: False
group_by_length: False
length_column_name: length
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
use_legacy_prediction_loop: False
push_to_hub: False
resume_from_checkpoint: None
hub_model_id: None
hub_strategy: every_save
hub_private_repo: None
hub_always_push: False
hub_revision: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
eval_do_concat_batches: True
fp16_backend: auto
push_to_hub_model_id: None
push_to_hub_organization: None
mp_parameters:
auto_find_batch_size: False
full_determinism: False
torchdynamo: None
ray_scope: last
ddp_timeout: 1800
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
include_tokens_per_second: False
include_num_input_tokens_seen: 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
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	val-eval_spearman_cosine
0.2667	500	0.0269	0.7546
0.5333	1000	0.0119	0.8022
0.8	1500	0.0113	0.7927
1.0	1875	-	0.8052
1.0667	2000	0.011	0.8105
1.3333	2500	0.0104	0.7806
1.6	3000	0.0105	0.7992
1.8667	3500	0.0103	0.8168
2.0	3750	-	0.8267
2.1333	4000	0.0098	0.8278
2.4	4500	0.01	0.8415

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.1.1
Transformers: 4.57.1
PyTorch: 2.8.0+cu126
Accelerate: 1.11.0
Datasets: 4.0.0
Tokenizers: 0.22.1

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",
}