thaiquangphat/edukg_retrieval

SentenceTransformer based on BAAI/bge-m3

This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
• Maximum Sequence Length: 8192 tokens
• Output Dimensionality: 1024 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': 8192, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("thaiquangphat/edukg_retrieval")
# Run inference
sentences = [
    'John thuộc về truyền_thống nào ?',
    'John thuộc học_viện nào ?',
    'Tại_sao Giăng không có truyền_thống ?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8059, 0.0845],
#         [0.8059, 1.0000, 0.0498],
#         [0.0845, 0.0498, 1.0000]])

Evaluation

Metrics

Triplet

• Dataset: all-nli-dev
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.935

Training Details

Training Dataset

Unnamed Dataset

• Size: 8,352 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 6 tokens mean: 43.17 tokens max: 257 tokens	min: 5 tokens mean: 27.46 tokens max: 202 tokens	min: 6 tokens mean: 26.41 tokens max: 205 tokens

• Samples:

  anchor	positive	negative
  Trong thời_gian bình_luận , APHIS cũng tổ_chức bốn phiên điều_trần công_khai trong đó nhận được bình_luận bằng miệng và bằng văn_bản .	APHIS đã tổ_chức hơn ba phiên điều_trần công_khai trong thời_gian bình_luận .	APHIS đã tổ_chức hơn năm phiên điều_trần công_khai trong thời_gian bình_luận .
  Nếu họ có bất_kỳ manh_mối nào , hay 103 thì toàn_bộ việc sẽ vẫn nằm trong danh_mục tội_phạm chưa được phát_hiện ?	Họ có thật_sự nghĩ rằng nó sẽ được giấu kín không ?	Họ không nghĩ rằng nó sẽ không được phát_hiện , trên thực_tế họ biết nó sẽ được phát_hiện .
  Không , tôi nhớ khi tôi đang học đại_học tôi cũng không có thời_gian để làm những thứ đó .	Khi tôi đang học đại_học , tôi cũng không có thời_gian để làm những việc như_vậy .	Khi tôi đang học đại_học , tôi có nhiều thời_gian để làm những việc như_vậy .

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 2,088 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 43.69 tokens max: 263 tokens	min: 6 tokens mean: 26.61 tokens max: 160 tokens	min: 6 tokens mean: 26.41 tokens max: 197 tokens

• Samples:

  anchor	positive	negative
  Năm 1982 và 1983 , de Kooning , không bị phân tâm bởi một thế_giới bên ngoài mà anh ta không_thể hiểu được nữa , vẽ với tốc_độ chưa từng có , hoàn_thành gần một bức tranh một tuần .	De Kooning vẽ khoảng 50 bức tranh mỗi năm trong năm 1982 và 1983 .	De Kooning không vẽ bất_kỳ bức tranh nào trong những năm 1980 .
  Uh một_chút ừ ừ	Chỉ một_chút thôi .	Chắc_chắn là rất nhiều .
  Bạn có sử_dụng rất nhiều thẻ tín_dụng hoặc tài_khoản thanh_toán của bạn khi bạn ra ngoài và mua những thứ	Bạn có thường dùng thẻ tín_dụng để mua_sắm hay bạn thích sử_dụng tài_khoản thanh_toán của mình ?	Tôi không muốn biết nếu bạn sử_dụng thẻ tín_dụng hoặc tài_khoản thanh_toán của bạn .

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 4
• per_device_eval_batch_size: 4
• learning_rate: 1e-05
• num_train_epochs: 5
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 4
• per_device_eval_batch_size: 4
• 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: 1e-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: 5
• 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
• 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: True
• 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
• 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: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	all-nli-dev_cosine_accuracy
0.0005	1	0.5395	-	-
0.0479	100	0.3501	-	-
0.0958	200	0.3403	-	-
0.1437	300	0.2836	-	-
0.1916	400	0.2915	-	-
0.2395	500	0.3073	-	-
0.2874	600	0.3386	-	-
0.3352	700	0.273	-	-
0.3831	800	0.271	-	-
0.4310	900	0.264	-	-
0.4789	1000	0.3396	0.2744	0.9200
0.5268	1100	0.2826	-	-
0.5747	1200	0.2761	-	-
0.6226	1300	0.2394	-	-
0.6705	1400	0.2768	-	-
0.7184	1500	0.2574	-	-
0.7663	1600	0.2854	-	-
0.8142	1700	0.3389	-	-
0.8621	1800	0.3172	-	-
0.9100	1900	0.3292	-	-
0.9579	2000	0.21	0.3338	0.9290
1.0057	2100	0.2504	-	-
1.0536	2200	0.1347	-	-
1.1015	2300	0.1377	-	-
1.1494	2400	0.1718	-	-
1.1973	2500	0.1623	-	-
1.2452	2600	0.1232	-	-
1.2931	2700	0.1777	-	-
1.3410	2800	0.1279	-	-
1.3889	2900	0.1391	-	-
1.4368	3000	0.1176	0.3022	0.9290
1.4847	3100	0.136	-	-
1.5326	3200	0.1753	-	-
1.5805	3300	0.1605	-	-
1.6284	3400	0.1475	-	-
1.6762	3500	0.159	-	-
1.7241	3600	0.1709	-	-
1.7720	3700	0.131	-	-
1.8199	3800	0.1507	-	-
1.8678	3900	0.0933	-	-
1.9157	4000	0.1253	0.2923	0.9300
1.9636	4100	0.1527	-	-
2.0115	4200	0.1645	-	-
2.0594	4300	0.0759	-	-
2.1073	4400	0.0309	-	-
2.1552	4500	0.0389	-	-
2.2031	4600	0.0233	-	-
2.2510	4700	0.0364	-	-
2.2989	4800	0.0423	-	-
2.3467	4900	0.0506	-	-
2.3946	5000	0.0766	0.3016	0.9350

Framework Versions

• Python: 3.12.9
• Sentence Transformers: 5.2.0
• Transformers: 4.57.3
• PyTorch: 2.7.1+cu118
• Accelerate: 1.12.0
• Datasets: 4.4.1
• 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",
}

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}
}