compass-product-classifier / README.md

roig

Fine-tuned product classifier: 62% accuracy, +34 points improvement

fd9bd1d verified about 1 month ago

preview code

raw

history blame contribute delete

19.9 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:3324
  - loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/distiluse-base-multilingual-cased-v2
widget:
  - source_sentence: >-
      Pizarra acústica de guitarra Dunlop T213C negra - Top plate de reemplazo
      para guitarras acústicas, fabricada en madera maciza (arce), con
      perforaciones para mejor resonancia y acabado negro mate
    sentences:
      - Accesorios para instrumentos musicales / Musical instrument accessories
      - Personal Care / Aseo
      - Sistema limpiaparabrisas / Windshield wiper system
  - source_sentence: >-
      Hisense 40" Clase FHD (1080P) Roku Smart LED TV (40H4030F1) - Hisense 40"
      Clase 1080P FHD LED Roku Smart TV 40H4030F1
    sentences:
      - Olla arrocera / rice cooker
      - Estufa / Stove/Cooktop
      - TV (-) 32 ''
  - source_sentence: >-
      Reductor de Bushing de 3/4 in. x 1/2 in. PVC Schedule 40 - Las tuberías y
      accesorios de presión de PVC Schedule 40 se utilizan en sistemas de riego,
      aspersores subterráneos, piscinas, aplicaciones al aire libre y líneas de
      suministro de agua fría. Estos accesorios son altamente resistentes, con
      alta resistencia a la tracción y al impacto. Diseñados para uso bajo
      presión donde los sistemas no superen los 140° F. Cumplen con las Normas:
      ASTM D 1784, ASTM D 2466, NSF 14 y 61PVC Schedule 40. Tienen mejores
      propiedades de reducción de sonido que el PVC Schedule 40 DWV Foam Core y
      el ABS Foam Core. La instalación requiere el uso de imprimación y cemento
      solvente. Todos los productos Charlotte Pipe se fabrican en los EE. UU.
    sentences:
      - Base de TV / TV base
      - Manufacturas para la construcción/ Manufactures for construction use
      - >-
        Leather goods. (Briefcases, suitcases, portfolios.) / Artículos de
        talabartería.(Maletines, maletas, portafolios. )
  - source_sentence: >-
      Liebherr WCE81769BX Motor de Compresión con Inversor para Nevera Combi,
      Tensión Dual (220-240V/50Hz) - 100% Reutilizable y Garantía Vida - Motor
      de alta eficiencia y durabilidad diseñado específicamente para neveras y
      congeladores Liebherr de gama media-alta. Este motor de compresión
      invertible con tensión dual (220-240V/50Hz) está optimizado para reducir
      el consumo energético en hasta un 30% frente a modelos convencionales,
      garantizando un funcionamiento silencioso (≤42dB) y una capacidad de
      refrigeración constante. Compatible con unidades de neveras tipo 'Combi'
      de gran tamaño, como los modelos WCS5791 o WCF6589. Incluye certificación
      ecológica A+++ por eficiencia energética y viene empaquetado en caja
      hermética para evitar daños durante el transporte o almacenaje prolongado.
      Ideal para reemplazo en reparaciones profesionales, con garantía de vida
      útil del equipo original (hasta 10 años según uso). Diseño modular que
      permite instalación rápida sin necesidad de herramientas especializadas
    sentences:
      - Piezas de repuesto de motos / Motorcycle spare parts
      - Alternador / Alternator
      - Motores de equipos electrodomésticos / Motors for household appliances
  - source_sentence: >-
      Audífono Widex Moment A-RIC Plus Rechargeable - Talla Grande (RIC) -
      Audífono intraauricular receptor en el canal (RIC) con tecnología Sound
      Recognizer para optimizar sonidos importantes. Incluye cargador magnético,
      aplicación móvil y compatibilidad con wearables como iOS/Android.
      Recomendado para adultos con pérdida auditiva leve a moderada
    sentences:
      - Piezas de repuesto de motos / Motorcycle spare parts
      - Caja de seguridad / Safe deposit box
      - Audifono / Hearing Aids
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on sentence-transformers/distiluse-base-multilingual-cased-v2

This is a sentence-transformers model finetuned from sentence-transformers/distiluse-base-multilingual-cased-v2. It maps sentences & paragraphs to a 512-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/distiluse-base-multilingual-cased-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 512 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': 'DistilBertModel'})
  (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): Dense({'in_features': 768, 'out_features': 512, 'bias': True, 'activation_function': 'torch.nn.modules.activation.Tanh'})
)

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("roig/compass-product-classifier")
# Run inference
sentences = [
    'Audífono Widex Moment A-RIC Plus Rechargeable - Talla Grande (RIC) - Audífono intraauricular receptor en el canal (RIC) con tecnología Sound Recognizer para optimizar sonidos importantes. Incluye cargador magnético, aplicación móvil y compatibilidad con wearables como iOS/Android. Recomendado para adultos con pérdida auditiva leve a moderada',
    'Audifono / Hearing Aids',
    'Piezas de repuesto de motos / Motorcycle spare parts',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 512]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.7342,  0.0265],
#         [ 0.7342,  1.0000, -0.0021],
#         [ 0.0265, -0.0021,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

Size: 3,324 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 5 tokens
mean: 95.27 tokens
max: 128 tokens

min: 3 tokens
mean: 12.28 tokens
max: 53 tokens

	sentence_0	sentence_1
type	string	string
details	min: 5 tokens mean: 95.27 tokens max: 128 tokens	min: 3 tokens mean: 12.28 tokens max: 53 tokens

Samples:

sentence_0	sentence_1
`Nichia J16JL-UN - Bujía de rendimiento extremo - Bujía profesional con electrodo iridio, diseñada para motores deportivos o turismos de alto kilometraje. Resiste condiciones severas y ofrece mejor ignición que los modelos estándar`	`Bujías / Spark plugs`
`500 Watt Power Inverter, Dual Power Inverter, Two USB Charging Ports`	`Convertidor, Inversor de corriente / Converter, Power inverter`
Colchón Híbrido de Firmeza Media Queen de 12 pulg., Aislamiento de Movimiento y Transpirable - Si buscas un colchón que sea tanto cómodo como asequible, entonces este colchón híbrido de 12 pulg. es perfecto para ti. Este colchón de 12 pulg. está diseñado con espuma de confort y un sistema de resortes ensacados, proporcionando una experiencia de sueño cómoda. La espuma de flujo de aire confort es suave y agradable, haciendo tu colchón cómodo y transpirable. La espuma de confort alivia los puntos de presión para que puedas despertar sin dolor de espalda. El diseño de resortes ensacados independientes es perfecto para durmientes sensibles, cada resorte funciona de manera independiente. No importa cuánto te muevas, no tendrás que preocuparte por molestar a tu compañero de sueño y disfrutarás de una noche de descanso tranquila e ininterrumpida. Nuestros colchones de 12 pulg. vienen en caja, llegan con una garantía limitada de 10 años; simplemente coloca el colchón en tu cama y deja pasar 72...	`Mattress / Colchon`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

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: no
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
2.4038	500	0.5086

Framework Versions

Python: 3.14.2
Sentence Transformers: 5.2.0
Transformers: 4.57.3
PyTorch: 2.9.1+cu128
Accelerate: 1.12.0
Datasets: 4.4.2
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{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}
}