tntwj/trained_retriever

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: 512 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': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (1): Pooling({'word_embedding_dimension': 1024, '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("tntwj/trained_retriever")
# Run inference
sentences = [
    'In un complesso sportivo multifunzionale, quale delle seguenti condizioni è obbligatoria per garantire il rispetto delle norme di sicurezza dei lavoratori in ambito sportivo, in particolare per quanto riguarda la fruibilità dei percorsi di evacuazione e la protezione delle persone con ridotte capacità motorie?',
    "servizi accessori;\n\n d) eventuali spazi e servizi di supporto.\n\n **Impianto sportivo all'aperto**\n\n Impianto sportivo avente lo spazio di attività scoperto.\n\n Questa categoria comprende anche gli impianti con spazio riservato agli spettatori coperto.\n\n **Impianto sportivo al chiuso**\n\n Tutti gli altri impianti non ricadenti nella tipologia degli impianti all'aperto.\n\n **Complesso sportivo**\n\n Uno o più impianti sportivi contigui aventi in comune infrastrutture e servizi; il complesso sportivo è costituito da uno o più impianti sportivi e dalle rispettive aree di servizio annesse.\n\n **Complesso sportivo multifunzionale**\n\n Complesso sportivo comprendente spazi destinati ad altre attività, diverse da quella sportiva, caratterizzato da organicità funzionale, strutturale ed impiantistica.\n\n **Area di servizio annessa**\n\n Area di pertinenza dell'impianto o complesso sportivo recintata per controllarne gli accessi.\n\n **Area di servizio esterna**\n\n Area pubblica o aperta al pubblico, che può essere annessa, anche temporaneamente, all'impianto o complesso sportivo mediante recinzione fissa o mobile.\n\n **Zona esterna**\n\n Area pubblica circostante o prossima all'impianto o complesso sportivo che consente l'avvicinamento allo stesso, e lo stanziamento di servizi pubblici o privati.\n\n **Spazi di soccorso**\n\n Spazi raggiungibili dai mezzi di soccorso e riservati alla loro sosta e manovra.\n\n **Via d'uscita**\n\n Percorso senza ostacoli al deflusso che conduce dall'uscita dello spazio riservato agli spettatori e dallo spazio di attività sportiva all'area di servizio annessa o all'area di servizio esterna.\n\n **Spazio calmo**\n\n Luogo sicuro statico contiguo e comunicante con una via di esodo verticale od in essa inserito. Tale spazio non deve costituire intralcio alla fruibilità delle vie di esodo ed avere caratteristiche tali da garantire la permanenza di persone con ridotte o impedite capacità motorie in attesa dei soccorsi.\n\n **Percorso di smistamento**\n\n Percorso che permette la mobilità degli spettatori all'interno dello spazio loro riservato.",
    ":\n a) i soggetti che siano proprietari di un'abitazione o porzione di abitazione, in qualsiasi località del territorio nazionale, il cui valore, dichiarato ai fini dell'imposta comunale sugli immobili (ICI), sia superiore a euro 30.000,00;\n b) i soggetti che abbiano nel proprio nucleo familiare il coniuge convivente o un parente convivente proprietario, in qualsiasi località del territorio nazionale, di un'abitazione o porzione di abitazione con un valore superiore a quello di cui alla lettera a), determinato con identico parametro;\n c) previa valutazione dell'amministrazione, il personale che si trovi in aspettativa per motivi privati o che sia sottoposto a provvedimento di sospensione cautelare dal servizio;\n d) i soggetti ai quali sono alienati gli alloggi di servizio del Ministero della difesa in virtù delle vigenti procedure di dismissione.\n\n Art. 400\n Art. 394\n Obblighi dei mutuatari\n 1. Non è consentita la costituzione, da parte dei mutuatari, di diritti reali di usufrutto, uso o abitazione in favore di terzi sull'immobile per il quale è stato concesso il mutuo, fino al totale ammortamento dello stesso.\n 2. La violazione di tale divieto costituisce causa di risoluzione espressa del contratto di mutuo agevolato, fatto salvo il recupero del capitale residuo.\n\n Art. 401\n Art. 395\n Ammortamento dei mutui\n 1. Le rate di ammortamento dei mutui hanno cadenza mensile e il loro valore è costante. Dette rate sono corrisposte dai mutuatari all'istituto di credito di cui all'articolo 389.\n 2. La rata mensile di ammortamento da porre a carico dei mutuatari è determinata sulla base del tasso fisso d'interesse annuo a scalare di tipo agevolato. Il tasso d'interesse è fissato con provvedimento del Segretariato ed è variato in relazione all'andamento del tasso di inflazione, secondo i dati rilevati dall'Istituto nazionale di statistica.\n 3. Il mutuo può essere estinto anticipatamente ed è esclusa l'applicazione di penalità a carico del mutuatario.\n\n Art. 402\n Art. 396\n Allegato A\n\n Modalità per l'assegnazione dei mutui\n 1. Gli Stati maggiori di Forza armata, al fine di",
]
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, 0.7303, 0.1261],
#         [0.7303, 1.0000, 0.0496],
#         [0.1261, 0.0496, 1.0000]])

Evaluation

Metrics

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.9423
cosine_accuracy@3	0.9937
cosine_accuracy@5	0.9974
cosine_accuracy@10	0.9992
cosine_precision@1	0.9423
cosine_precision@3	0.3312
cosine_precision@5	0.1995
cosine_precision@10	0.0999
cosine_recall@1	0.9423
cosine_recall@3	0.9937
cosine_recall@5	0.9974
cosine_recall@10	0.9992
cosine_ndcg@10	0.976
cosine_mrr@10	0.9679
cosine_map@100	0.968

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.9417
cosine_accuracy@3	0.9934
cosine_accuracy@5	0.9973
cosine_accuracy@10	0.999
cosine_precision@1	0.9417
cosine_precision@3	0.3311
cosine_precision@5	0.1995
cosine_precision@10	0.0999
cosine_recall@1	0.9417
cosine_recall@3	0.9934
cosine_recall@5	0.9973
cosine_recall@10	0.999
cosine_ndcg@10	0.9755
cosine_mrr@10	0.9674
cosine_map@100	0.9675

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.7497
cosine_accuracy@3	0.8883
cosine_accuracy@5	0.9217
cosine_accuracy@10	0.9537
cosine_precision@1	0.7497
cosine_precision@3	0.2961
cosine_precision@5	0.1843
cosine_precision@10	0.0954
cosine_recall@1	0.7497
cosine_recall@3	0.8883
cosine_recall@5	0.9217
cosine_recall@10	0.9537
cosine_ndcg@10	0.8567
cosine_mrr@10	0.8251
cosine_map@100	0.8268

Training Details

Training Dataset

Unnamed Dataset

• Size: 38,930 training samples
• Columns: sentence_0, sentence_1, and sentence_2
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	sentence_2
  type	string	string	string
  details	min: 34 tokens mean: 71.39 tokens max: 259 tokens	min: 12 tokens mean: 490.48 tokens max: 512 tokens	min: 73 tokens mean: 492.52 tokens max: 512 tokens

• Samples:

  sentence_0	sentence_1	sentence_2
  Qual è il principio giuridico che giustifica la modifica della modulistica per la presentazione delle istanze di prevenzione incendi prevista dal Decreto Direttoriale 10 aprile 2014, n. 252, e che implica l'esigenza di aggiornamento tecnico delle procedure di sicurezza nei settori agricoli?	# Decreto direttoriale MinInterno 10 aprile 2014, n. 252 ## Prevenzione incendi - modifica della modulistica di presentazione delle istanze, delle segnalazioni e delle dichiarazioni ex Dm 7 agosto 2012 Ultima versione aggiornata al 05/09/2025 Ministero dell'interno Decreto direttoriale 10 aprile 2014, n. 252 Decreto di modifica della modulistica di presentazione delle istanze, delle segnalazioni e delle dichiarazioni, prevista nel decreto del Ministro dell'interno 7 agosto 2012 Dipartimento dei Vigili del fuoco, del soccorso pubblico e della difesa civile Direzione centrale per la prevenzione e la sicurezza tecnica Il Direttore centrale Visto il decreto Presidente della Repubblica del 1° agosto 2011 n. 151, con oggetto "Regolamento recante semplificazione della disciplina dei procedimenti relativi alla prevenzione degli incendi, a norma dell'articolo 49, comma 4-quater, del decreto-legge 31 maggio 2010, n. 78, convertito, con modificazioni, dalla legge 30 luglio 2...	infrazione e di superare quelle in corso, è prorogato al 31 dicembre 2024. 20. Il termine per l'autorizzazione all'assunzione a tempo determinato del contingente massimo di centocinquanta unità da inquadrare nell'area III, posizione economica F1, ai sensi dell'articolo 17-octies, comma 3, del decreto-legge 9 giugno 2021, n. 80, convertito, con modificazioni, dalla legge 6 agosto 2021, n. 113, relativo all'assunzione presso il Ministero dell'ambiente e della sicurezza energetica di personale da assegnare funzionalmente ai commissari per la realizzazione degli interventi per il contrasto del dissesto idrogeologico, è prorogato al 31 dicembre 2024. 21. Le procedure concorsuali già autorizzate ai sensi degli articoli 6 e 7 del decreto del Presidente del Consiglio dei ministri 20 agosto 2019, pubblicato nella Gazzetta Ufficiale n. 234 del 5 ottobre 2019, relativo alle procedure di reclutamento di personale dirigenziale e non dirigenziale del ruolo Agricoltura e del ruolo dell'Ispettorato ...
  Quali sono le modalità di attuazione e le condizioni di partecipazione al fondo di garanzia a favore delle piccole e medie imprese previste dal decreto-legge 6 dicembre 2011, n. 201, convertito dalla legge 22 dicembre 2011, n. 214, e quali enti possono contribuire su base volontaria per il finanziamento di investimenti in tecnologie digitali e beni strumentali ad uso produttivo per i professionisti agricoli iscritti agli ordini professionali?	zione di un apposito decreto del Ministro dello sviluppo economico, da adottare di concerto con il Ministro dell'economia e delle finanze, gli interventi ivi previsti sono estesi ai professionisti iscritti agli ordini professionali e a quelli aderenti alle associazioni professionali iscritte nell'elenco tenuto dal Ministero dello sviluppo economico ai sensi della legge 14 gennaio 2013, n. 4, e in possesso dell'attestazione rilasciata ai sensi della medesima legge n. 4 del 2013. Con il decreto di cui al primo periodo sono determinate le modalità di attuazione del presente comma, prevedendo in particolare un limite massimo di assorbimento delle risorse del Fondo non superiore al 5 per cento delle risorse stesse. 5-ter. Al fondo di garanzia a favore delle piccole e medie imprese di cui all'articolo 2, colma 100, lettera a), della legge 23 dicembre 1996, n. 662, e successive modificazioni, possono affluire, previa assegnazione all'entrata del bilancio dello Stato, contributi su base volo...	maggio 2007, n. 114, al Comitato di consulenza globale e di garanzia per le privatizzazioni di cui ai decreti del Presidente del Consiglio dei Ministri 30 giugno 1993 e 4 maggio 2007 nonché alla Commissione di cui all'articolo 1, comma 1, del decreto del Presidente della Repubblica 14 maggio 2007, n. 114 "; (omissis) All'articolo 7: dopo il comma 3 è inserito il seguente: "3-bis. Con effetto dalla data di entrata in vigore della legge di conversione del presente decreto, al fine di assicurare la piena integrazione delle funzioni in materia di previdenza e assistenza, l'Ente nazionale di assistenza magistrale (Enam), istituito in base al decreto legislativo del Capo provvisorio dello Stato 21 ottobre 1947, n. 1346, ratificato dalla legge 21 marzo 1953, n. 90, e successive modificazioni, è soppresso e le relative funzioni sono attribuite all'Inpdap che succede in tutti i rapporti attivi e passivi"; al comma 4, dopo le parole: "il Ministro dell'economia e delle finanze" sono i...
  In relazione all'applicazione delle disposizioni tecniche per gli impianti di produzione di idrogeno mediante elettrolisi, quali delle seguenti affermazioni è corretta in merito alla necessità di adeguamenti per impianti esistenti alla data di entrata in vigore del decreto, in caso di modifiche rilevanti ai fini della sicurezza antincendio?	di esplosione; b) limitare, in caso di evento incidentale, danni alle persone; c) limitare, in caso di evento incidentale, danni ad edifici o a locali contigui all'impianto; d) garantire la possibilità per le squadre di soccorso di operare in condizioni di sicurezza. #### Articolo 3 ###### Disposizioni tecniche 1. Ai fini del raggiungimento degli obiettivi di cui all'articolo 2 è approvata la regola tecnica di cui all'allegato 1, che costituisce parte integrante del presente decreto. #### Articolo 4 ###### Applicazione delle disposizioni tecniche 1. Le disposizioni di cui all'allegato 1 si applicano agli impianti di produzione di idrogeno mediante elettrolisi (cosiddetti elettrolizzatori) e ai relativi sistemi di stoccaggio di idrogeno gassoso: a) di nuova realizzazione; b) esistenti alla data di entrata in vigore del presente decreto, in caso di modifiche rilevanti ai fini della sicurezza antincendio che comportano variazione delle preesistenti condizioni...	di picco) 1 Hz ≤ f < 3 kHz 1,1 3 kHz ≤ f ≤ 10 MHz 3,8 ×10 -4 f Nota A2-1: f è la frequenza espressa in hertz (Hz). Nota A2-2: i VLE relativi agli effetti sanitari per il campo elettrico interno sono riferiti al valore spaziale di picco sull'intero corpo del soggetto esposto. Nota A2-3: i VLE sono valori di picco temporali che sono pari ai valori efficaci (RMS) moltiplicati per √2 per i campi sinusoidali. Nel caso di campi non sinusoidali, la valutazione dell'esposizione effettuata ai sensi dell'articolo 209 è di norma basata sul metodo del picco ponderato, come descritto negli strumenti tecnici e specialistici per la riduzione dei livelli di rischio di cui all'articolo 28, comma 3-ter, del presente decreto. In tale ambito potranno altresì essere indicate procedure alternative di valutazione scientificamente provate e validate, che conducano a risultati comparabili. VLE relativi agli effetti sensoriali per il campo elettrico interno (in situ) per frequenze comprese tra 1 Hz e...

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• num_train_epochs: 7
• fp16: True
• 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: 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: 5e-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: 7
• 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
• 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}
• 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
• 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: False
• 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: False
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	cosine_ndcg@10
-1	-1	-	0.2939
0.1027	500	0.4051	-
0.2055	1000	0.0415	-
0.3082	1500	0.0197	-
0.3499	1703	-	0.8519
0.4109	2000	0.0176	-
0.5137	2500	0.0119	-
0.6164	3000	0.0136	-
0.6998	3406	-	0.8479
0.7191	3500	0.0129	-
0.8219	4000	0.0114	-
0.9246	4500	0.007	-
1.0	4867	-	0.8476
1.0273	5000	0.0065	-
1.0497	5109	-	0.8516
1.1301	5500	0.0067	-
1.2328	6000	0.0051	-
1.3355	6500	0.0048	-
1.3996	6812	-	0.8445
1.4383	7000	0.0061	-
1.5410	7500	0.0057	-
1.6437	8000	0.0042	-
1.7465	8500	0.0049	-
1.7495	8515	-	0.8679
1.8492	9000	0.0037	-
1.9519	9500	0.004	-
2.0	9734	-	0.8471
2.0547	10000	0.0053	-
2.0994	10218	-	0.8460
2.1574	10500	0.0033	-
2.2601	11000	0.0024	-
2.3629	11500	0.0025	-
2.4494	11921	-	0.8443
2.4656	12000	0.0032	-
2.5683	12500	0.0031	-
2.6710	13000	0.0032	-
2.7738	13500	0.0025	-
2.7993	13624	-	0.8483
2.8765	14000	0.0034	-
2.9792	14500	0.003	-
3.0	14601	-	0.8536
3.0820	15000	0.0019	-
3.1492	15327	-	0.8430
3.1847	15500	0.0015	-
3.2874	16000	0.0026	-
3.3902	16500	0.0011	-
3.4929	17000	0.0016	-
3.4991	17030	-	0.8529
3.5956	17500	0.003	-
3.6984	18000	0.0023	-
3.8011	18500	0.0024	-
3.8490	18733	-	0.8490
3.9038	19000	0.0028	-
4.0	19468	-	0.8402
4.0066	19500	0.002	-
4.1093	20000	0.0013	-
4.1989	20436	-	0.8443
4.2120	20500	0.0024	-
4.3148	21000	0.0028	-
4.4175	21500	0.001	-
4.5202	22000	0.0025	-
4.5488	22139	-	0.8474
4.6230	22500	0.0012	-
4.7257	23000	0.0016	-
4.8284	23500	0.0013	-
4.8987	23842	-	0.8543
4.9312	24000	0.0021	-
5.0	24335	-	0.8532
5.0339	24500	0.0013	-
5.1366	25000	0.0005	-
5.2394	25500	0.0023	-
5.2486	25545	-	0.8533
5.3421	26000	0.0015	-
5.4448	26500	0.0012	-
5.5476	27000	0.002	-
5.5985	27248	-	0.8561
5.6503	27500	0.0022	-
5.7530	28000	0.0018	-
5.8558	28500	0.0012	-
5.9484	28951	-	0.8560
5.9585	29000	0.0016	-
6.0	29202	-	0.8583
6.0612	29500	0.0012	-
6.1640	30000	0.0025	-
6.2667	30500	0.0012	-
6.2983	30654	-	0.8564
6.3694	31000	0.0008	-
6.4722	31500	0.0012	-
6.5749	32000	0.0013	-
6.6482	32357	-	0.8570
6.6776	32500	0.0015	-
6.7804	33000	0.0018	-
6.8831	33500	0.0006	-
6.9858	34000	0.0016	-
6.9982	34060	-	0.8567
7.0	34069	-	0.8567

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 5.1.1
• Transformers: 4.56.2
• PyTorch: 2.7.1+cu126
• Accelerate: 1.10.1
• Datasets: 4.1.1
• 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}
}