README.md

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:92081
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-base
widget:
  - source_sentence: >-
      அவர் வீட்டுக்கு திரும்பினார்.அவர் தனது குரங்குக்கு உணவு கொடுத்து
      சென்றார்.அவரின் குரங்கு எங்கும் காணப்படவில்லை.அவரின் குரங்கு எல்லையில்
      தேடி வந்தார்.அவருக்கு அடுத்த நாள் தனது குரங்கு கண்டுபிடிக்க முடிந்தது.
    sentences:
      - Here Comes Santa Claus ஒரு இடத்தில் ஒரு முதல் 10 ஹெட்டாக இருந்தது
      - சாம் ஒரு Pet Cat
      - இது ஒரு ergonomic office chair.
  - source_sentence: >-
      Topics: ஏகத்துவத்தைக் கொண்டே பிரச்சாரத்தை ஆரம்பிக்க வேண்டும் and தாயத்து
      கட்டுவது ஷிர்க்கை சார்ந்தது Begin propagation with Monotheism, and Using
      amulets is Shirk Speaker: மவ்லவி கே.எல்.எம்.
    sentences:
      - பிரெஞ்சுக்குத் தேவையான அளவு பிரெஞ்சு தேவை.
      - அமெரிக்கா தான் மற்ற நாடுகள் கவனித்து வருகின்றன.
      - ரஜினிகாந்த் ராகுல் ஒரு ராகுலக் காட்சியை வெளியிட்டிருக்கிறார்.
  - source_sentence: >-
      Karl & Co is a Norwegian situation comedy created by Tore Ryen, starring
      Nils Vogt reprising his role as Karl Reverud from the popular sitcom "Mot
      i brøstet".It aired on TV 2, run for three seasons from 1998 to 2001, a
      total of 63 episodes.
    sentences:
      - ஆங்கிலத்தில் இதை Single Orgasm, Multiple Orgasm என்றும் கூறுகிறார்கள்.
      - Hamvention 2018 Xenia இல் நடைபெறுகிறது.
      - ஜூனியர் ஒப்பந்தங்கள்
  - source_sentence: >-
      There is only one temple in the village, no amman etc. The temple to Sri
      Narayanan.கீழ்தட்டு மக்களே இராமனுஜரை, இவர்களுக்கு இருக்கும் பற்று
      எனக்கில்லையே என நினைக்கவைத்த கதையும் உண்டு.ஒருநாள், நம்மாழ்வார் அவதரித்த
      ஊருக்குச் செல்லும்காலை, அவருக்கு வழிதெரியவில்லை.
    sentences:
      - Wenham Parva ஒரு ஊர் மட்டுமே அல்ல, மேலும் ஒரு குடியரசு குடியரசு.
      - பேச்சுவார்த்தை நிராகரிக்கப்படவில்லை.
      - Zazie Beetz, Vanessa on Atlanta படத்தில் நடிக்கிறார்.
  - source_sentence: >-
      ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால்
      சாய்த்தபடியிருக்கிறான்
      நாட்சத்திரங்களை...............................................................................................................................................................................
      இது எத்தனையாவது [...]
    sentences:
      - விமானங்கள் போக்குவரத்துக்காக காவல்துறையில் அனுமதிக்கப்பட்டுள்ளன.
      - தந்தைக்குக் கடினமான பரிசுகளைக் கொடுத்துக் கொண்டிருந்தார்.
      - பிக்பாஸைப் பிடித்த போது எந்தப் படமும் நடக்கவில்லை.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base. It maps sentences & paragraphs to a 768-dimensional dense vector space and can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

Model Details

Model Description

• Model Type: Sentence Transformer
• Base model: intfloat/multilingual-e5-base
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 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': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

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("mohanprakash462/tamil-embed-base")
# Run inference
sentences = [
    'ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை............................................................................................................................................................................... இது எத்தனையாவது [...]',
    'தந்தைக்குக் கடினமான பரிசுகளைக் கொடுத்துக் கொண்டிருந்தார்.',
    'பிக்பாஸைப் பிடித்த போது எந்தப் படமும் நடக்கவில்லை.',
]
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, 0.4205, 0.4317],
#         [0.4205, 1.0000, 0.3737],
#         [0.4317, 0.3737, 1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 92,081 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 15 tokens mean: 57.89 tokens max: 200 tokens	min: 4 tokens mean: 16.06 tokens max: 87 tokens

• Samples:

  anchor	positive
  Jack and Jill: A Village Story by Louisa May Alcott, is a children's book originally published in 1880.It takes place in a small New England town after the Civil War.The story of two good friends named Jack and Janey, "Jack and Jill" tells of the aftermath of a serious sliding accident.	ஜாக் மற்றும் ஜானி இரு நல்ல நண்பர்கள்.
  SourceMedia ஒரு mid-size diversified business-to-business digital media company owned by Observer Capital, which acquired the company from Investcorp in August 2014.Thomson Corporation's former Thomson Media division, SourceMedia விழுந்து, Thomson 2004 இல் Investcorp க்கு விற்கப்பட்டது $ 350 மில்லியன்.	SourceMedia ஒரு Digital Media நிறுவனம்
  ஒரு முதியவன் பாதாளங்களைத் தாண்டும் தன் மந்திரக்கோலால் சாய்த்தபடியிருக்கிறான் நாட்சத்திரங்களை............................................................................................................................................................................... இது எத்தனையாவது [...]	பல்வேறு மாநிலங்களில் அரசுக்கு எச்சரிக்கை

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 64
• learning_rate: 1e-06
• warmup_steps: 144
• fp16: True
• gradient_checkpointing: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• per_device_train_batch_size: 64
• num_train_epochs: 3
• max_steps: -1
• learning_rate: 1e-06
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• warmup_steps: 144
• optim: adamw_torch_fused
• optim_args: None
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• optim_target_modules: None
• gradient_accumulation_steps: 1
• average_tokens_across_devices: True
• max_grad_norm: 1.0
• label_smoothing_factor: 0.0
• bf16: False
• fp16: True
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: None
• gradient_checkpointing: True
• gradient_checkpointing_kwargs: None
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• use_liger_kernel: False
• liger_kernel_config: None
• use_cache: False
• neftune_noise_alpha: None
• torch_empty_cache_steps: None
• auto_find_batch_size: False
• log_on_each_node: True
• logging_nan_inf_filter: True
• include_num_input_tokens_seen: no
• log_level: passive
• log_level_replica: warning
• disable_tqdm: False
• project: huggingface
• trackio_space_id: trackio
• eval_strategy: no
• per_device_eval_batch_size: 8
• prediction_loss_only: True
• eval_on_start: False
• eval_do_concat_batches: True
• eval_use_gather_object: False
• eval_accumulation_steps: None
• include_for_metrics: []
• batch_eval_metrics: False
• save_only_model: False
• save_on_each_node: False
• enable_jit_checkpoint: False
• push_to_hub: False
• hub_private_repo: None
• hub_model_id: None
• hub_strategy: every_save
• hub_always_push: False
• hub_revision: None
• load_best_model_at_end: False
• ignore_data_skip: False
• restore_callback_states_from_checkpoint: False
• full_determinism: False
• seed: 42
• data_seed: None
• use_cpu: 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
• dataloader_drop_last: False
• dataloader_num_workers: 0
• dataloader_pin_memory: True
• dataloader_persistent_workers: False
• dataloader_prefetch_factor: None
• remove_unused_columns: True
• label_names: None
• train_sampling_strategy: random
• length_column_name: length
• ddp_find_unused_parameters: None
• ddp_bucket_cap_mb: None
• ddp_broadcast_buffers: False
• ddp_backend: None
• ddp_timeout: 1800
• fsdp: []
• fsdp_config: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• deepspeed: None
• debug: []
• skip_memory_metrics: True
• do_predict: False
• resume_from_checkpoint: None
• warmup_ratio: None
• local_rank: -1
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss
0.0174	25	9.5049
0.0347	50	9.2988
0.0521	75	8.7502
0.0695	100	7.9748
0.0869	125	7.1927
0.1042	150	6.1935
0.1216	175	5.3092
0.1390	200	4.6630
0.1564	225	4.1481
0.1737	250	3.5569
0.1911	275	3.5474
0.2085	300	3.5098
0.2259	325	3.2235
0.2432	350	2.9600
0.2606	375	3.0261
0.2780	400	2.8874
0.2953	425	2.9094
0.3127	450	2.9079
0.3301	475	2.6196
0.3475	500	2.6887
0.3648	525	3.0199
0.3822	550	2.8014
0.3996	575	2.8743
0.4170	600	2.7243
0.4343	625	2.7829
0.4517	650	2.7898
0.4691	675	2.7561
0.4864	700	2.6587
0.5038	725	2.6228
0.5212	750	2.5352
0.5386	775	2.6544
0.5559	800	2.6122
0.5733	825	2.6155
0.5907	850	2.4361
0.6081	875	2.6018
0.6254	900	2.5225
0.6428	925	2.5303
0.6602	950	2.7318
0.6776	975	2.5735
0.6949	1000	2.5443
0.7123	1025	2.3904
0.7297	1050	2.4995
0.7470	1075	2.5640
0.7644	1100	2.6522
0.7818	1125	2.5466
0.7992	1150	2.4968
0.8165	1175	2.3753
0.8339	1200	2.4524
0.8513	1225	2.3839
0.8687	1250	2.6322
0.8860	1275	2.5143
0.9034	1300	2.6360
0.9208	1325	2.3736
0.9382	1350	3.3474
0.9555	1375	4.2932
0.9729	1400	3.8941
0.9903	1425	4.0057
1.0076	1450	3.2783
1.0250	1475	2.6051
1.0424	1500	2.8140
1.0598	1525	2.4573
1.0771	1550	2.5487
1.0945	1575	2.5347
1.1119	1600	2.3618
1.1293	1625	2.3501
1.1466	1650	2.4186
1.1640	1675	2.3757
1.1814	1700	2.6012
1.1987	1725	2.3281
1.2161	1750	2.4444
1.2335	1775	2.5461
1.2509	1800	2.5203
1.2682	1825	2.4201
1.2856	1850	2.6096
1.3030	1875	2.4021
1.3204	1900	2.4524
1.3377	1925	2.3002
1.3551	1950	2.4063
1.3725	1975	2.1237
1.3899	2000	2.3219
1.4072	2025	2.3227
1.4246	2050	2.3646
1.4420	2075	2.4407
1.4593	2100	2.2862
1.4767	2125	2.2900
1.4941	2150	2.2512
1.5115	2175	2.3741
1.5288	2200	2.6308
1.5462	2225	2.5161
1.5636	2250	2.4871
1.5810	2275	2.5049
1.5983	2300	2.6384
1.6157	2325	2.4185
1.6331	2350	2.4573
1.6505	2375	2.2954
1.6678	2400	2.2384
1.6852	2425	2.3318
1.7026	2450	2.2915
1.7199	2475	2.2013
1.7373	2500	2.4082
1.7547	2525	2.5290
1.7721	2550	2.4825
1.7894	2575	2.4610
1.8068	2600	2.3414
1.8242	2625	2.3729
1.8416	2650	2.5862
1.8589	2675	2.4320
1.8763	2700	2.2745
1.8937	2725	2.3046
1.9110	2750	2.3621
1.9284	2775	2.3097
1.9458	2800	4.1645
1.9632	2825	4.5466
1.9805	2850	4.6750
1.9979	2875	2.8955
2.0153	2900	2.9962
2.0327	2925	2.3366
2.0500	2950	2.2591
2.0674	2975	2.3375
2.0848	3000	2.4169
2.1022	3025	2.2635
2.1195	3050	2.1642
2.1369	3075	2.4082
2.1543	3100	2.3501
2.1716	3125	2.4870
2.1890	3150	2.7393
2.2064	3175	2.3203
2.2238	3200	2.2731
2.2411	3225	2.1901
2.2585	3250	2.3000
2.2759	3275	2.3846
2.2933	3300	2.2514
2.3106	3325	2.2218
2.3280	3350	2.5800
2.3454	3375	2.4384
2.3628	3400	2.4946
2.3801	3425	2.2781
2.3975	3450	2.2777
2.4149	3475	2.2062
2.4322	3500	2.3994
2.4496	3525	2.5084
2.4670	3550	2.1158
2.4844	3575	2.0865
2.5017	3600	2.3174
2.5191	3625	2.3668
2.5365	3650	2.3439
2.5539	3675	2.4482
2.5712	3700	2.3998
2.5886	3725	2.2155
2.6060	3750	2.0207
2.6233	3775	2.2652
2.6407	3800	2.4261
2.6581	3825	2.2214
2.6755	3850	2.2244
2.6928	3875	2.2835
2.7102	3900	2.4259
2.7276	3925	2.3013
2.7450	3950	2.1069
2.7623	3975	2.4415
2.7797	4000	2.3380
2.7971	4025	2.3013
2.8145	4050	2.4202
2.8318	4075	2.2488
2.8492	4100	2.1855
2.8666	4125	2.3882
2.8839	4150	2.5306
2.9013	4175	2.3197
2.9187	4200	2.3295
2.9361	4225	3.2070
2.9534	4250	3.9697
2.9708	4275	4.2241
2.9882	4300	3.5779

Framework Versions

• Python: 3.12.12
• Sentence Transformers: 5.2.3
• Transformers: 5.3.0
• PyTorch: 2.9.0+cu126
• Accelerate: 1.12.0
• 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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}