truong1301/NCKH_MLOPS_BI_ENCODE

SentenceTransformer based on VoVanPhuc/sup-SimCSE-VietNamese-phobert-base

This is a sentence-transformers model finetuned from VoVanPhuc/sup-SimCSE-VietNamese-phobert-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: VoVanPhuc/sup-SimCSE-VietNamese-phobert-base
• Maximum Sequence Length: 256 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': 256, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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})
)

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 = [
    'Ông nội của Thái_Tông Trần_Cảnh có tên là gì ?',
    'Tổ_tiên nhà Trần vốn làm nghề chài_lưới , có gốc là người Mân Việt ở tỉnh Phúc Kiến di_cư đến đất Đại_Việt . Những hậu_duệ của nhà Trần là con_cháu lai giữa dòng dõi nhà Trần và dòng dõi nhà Lý như trong trường_hợp của Trần_Lý và Trần_Thừa , và con của Trần_Thừa là Trần_Thái_Tông đã trở_thành vị vua đầu_tiên của nhà Trần . Người họ Trần đầu_tiên đến Đại_Việt là Trần_Kính , đến định_cư tại làng Tức_Mặc ( nay là phường Lộc_Vượng , thành_phố Nam_định ) sống bằng nghề đánh_cá . Sau ba đời con_cháu sống ở Đại_Việt , họ Trần trở_nên giàu_có và hùng_mạnh dưới đời Trần_Lý , là cháu của Trần_Kính . Trần_Lý sinh ra Trần_Thừa . Vua ( Thái_Tông Trần_Cảnh ) là con_thứ của Thừa , mẹ họ Lê , sinh ngày 16 tháng 6 năm Mậu Dần , Kiến_Gia thứ 8 triều Lý .',
    'Thiên_văn_học tia_gamma là việc nghiên_cứu các vật_thể vũ_trụ ở các bước_sóng ngắn nhất của quang_phổ điện từ . Các tia_gamma có_thể được quan_sát trực_tiếp bằng các vệ_tinh như Đài_quan_sát Tia_Gamma_Compton hay bởi các kính_viễn_vọng đặc_biệt được gọi là kính_viễn_vọng khí_quyển Cherenkov . Các kính_viễn_vọng Cherenkov trên thực_tế không trực_tiếp thám_sát các tia_gamma mà thay vào đó thám_sát các đám loé bùng của ánh_sáng nhìn thấy được tạo ra khi các tia_gamma bị khí_quyển Trái_Đất hấp_thụ .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

• Size: 18,777 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 7 tokens mean: 15.35 tokens max: 49 tokens	min: 91 tokens mean: 164.53 tokens max: 256 tokens

• Samples:

  anchor	positive
  Từ sâm bổ lượng tiếng nho đọc thành gì ?	Tuy_nhiên trong thực_tế có rất nhiều loại chè , mỗi loại dùng một kiểu thành_phần khác nhau . Có các loại chè như : chè con_ong ( hay chè bà_cốt ) , chè đậu_xanh , chè đậu_đen , chè ngô cốm , chè đỗ đỏ , chè đỗ trắng , chè bưởi , chè thập_cẩm , chè_hạt sen long_nhãn , v . v . Một món chè có nguồn_gốc từ Trung_Hoa nhưng cũng được nhiều người Việt biết tới là chè mè đen hay xí mè phủ ( phát_âm kiểu người Hoa ) làm từ hạt mè đen và sâm bổ lượng ( đúng_ra chữ Nho phải đọc là " thanh bổ lượng " ) . Các món chè Huế và chè Hà_Nội nổi_tiếng vì phong_phú , đa_dạng chủng_loại với chất_lượng cao .
  Chính_phủ nào không được công_nhận bởi chính_quyền Việt_Nam Dân_chủ Cộng_hòa ?	Trong thời_gian đầu , chính_quyền Việt_Nam Dân_chủ Cộng_hòa công_nhận Chính_phủ Cách_mạng lâm_thời Cộng_hòa miền Nam Việt_Nam , và không công_nhận chính_phủ Việt_Nam_Cộng_hòa . Các cuộc đấu_tranh ở Miền Nam giai_đoạn này Việt_Nam Dân_chủ Cộng_hòa cơ_bản không kiểm_soát được hoàn_toàn , mà do các đảng_bộ miền Nam_tự chỉ_đạo , có khi vượt ngoài chỉ_đạo của Trung_ương . Sau Hội_nghị Trung_ương 15 và sau_này ra_đời Mặt_trận , Việt_Nam Dân_chủ Cộng_hòa không công_nhận Việt_Nam_Cộng_hòa và công_khai ủng_hộ cho phía cách_mạng Miền Nam .
  Hiện_nay , kinh_kỳ của Việt_Nam là ở đâu ?	Hà_Nội là thủ_đô của nước Cộng_hòa xã_hội chủ_nghĩa Việt_Nam và cũng là kinh_đô của hầu_hết các vương_triều phong_kiến Việt trước đây . Do đó , lịch_sử Hà_Nội_gắn liền với sự thăng_trầm của lịch_sử Việt_Nam qua các thời_kỳ . Hà_Nội là thành_phố trực_thuộc trung_ương có diện_tích lớn nhất cả nước từ khi tỉnh Hà_Tây sáp_nhập vào , đồng_thời cũng là địa_phương đứng thứ nhì về dân_số với gần 8 triệu người ( năm 2018 ) , sau Thành_phố Hồ_Chí_Minh . Tuy_nhiên , nếu tính những người cư_trú không đăng_ký thì dân_số thực_tế của thành_phố này năm 2017 là hơn 9 triệu người . Hiện_nay , Hà_Nội và Thành_phố Hồ_Chí_Minh là hai đô_thị loại đặc_biệt của Việt_Nam .

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 2,087 evaluation samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 7 tokens mean: 15.52 tokens max: 38 tokens	min: 83 tokens mean: 166.28 tokens max: 256 tokens

• Samples:

  anchor	positive
  Hội_đồng nào mà Đông_Đức là một thành_viên trong đó ?	Thành_lập từ năm 1949 , tuy_nhiên , đến năm 1955 , Đông_Đức mới tuyên_bố đầy_đủ quyền tự_trị như một_thể_chế nhà_nước . Dầu_vậy , quân_đội Liên_Xô vẫn đóng trên lãnh_thổ nước này theo Hiệp_định Potsdam giữa bốn cường_quốc chiến_thắng trong Chiến_tranh thế_giới thứ hai là Hoa_Kỳ , Anh , Pháp và Liên_Xô . Vì quân_đội khối NATO còn hiện_diện tại Tây_Đức và Tây_Berlin , Đông_Đức và Berlin trở_thành_tâm_điểm của Chiến_tranh Lạnh . Đông_Đức là thành_viên Hiệp_ước Warszawa , Hội_đồng Tương_trợ Kinh_tế và đồng_thời là đồng_minh thân_cận của Liên_Xô .
  Nhiệm_vụ của đường_ống Baku - Tbilisi - Ceyhan là gì ?	Thổ_Nhĩ_Kỳ chia_sẻ di_sản văn_hóa_và ngôn_ngữ chung với các quốc_gia Turk độc_lập từ Liên_Xô vào năm 1991 , điều này cho phép Thổ_Nhĩ_Kỳ khoách trương quan_hệ kinh_tế và chính_trị sâu vào Trung_Á , Đường_ống Baku - Tbilisi - Ceyhan tạo thành bộ_phận trong chiến_lược chính_sách đối_ngoại của Thổ_Nhĩ_Kỳ để trở_thành một nơi chuyển_tiếp năng_lượng đến phương Tây . Tuy_nhiên , biên_giới Thổ_Nhĩ_Kỳ - Armenia bị đóng_cửa do Thổ_Nhĩ_Kỳ ủng_hộ Azerbaijan trong Chiến_tranh Nagorno - Karabakh và nay vẫn bị đóng_cửa .
  Vì_sao Vua và Hoàng_hậu không thích Voltaire và đuổi ông ra khỏi Versailles ?	Những năm 1740 Voltaire được triều đình chào_đón với tư_cách nhà viết kịch và nhà_thơ , nhưng do xuất_thân thấp_kém ( ông là con của một công_chứng_viên và cha_ông cũng là người Jansen ) khiến Vua và Hoàng_hậu thấy không vừa_mắt , cuối_cùng ông buộc phải rời khỏi Versailles . Ông đến Berlin , trở_thành một cố_vấn cho Friedrich Đại_đế , trước khi đến sống ở Genève và Savoia cách xa Paris . Một trong những đề_xuất nổi_tiếng của Voltaire được Louis XV chú_ý ; khi Nhà_vua đàn_áp Nghị_viện của giới quý_tộc , yêu_cầu tất_cả tầng_lớp đều phải nộp thuế như nhau , và loại_bỏ những cáo_buộc của những họ . Ông nói : " Nghị_viện của vua ! Các ngươi có trách_nhiệm trả lại công_lý cho người dân ! Trả lại công_lý cho chính các ngươi ! ... Trên thế_giới không có tòa_án nào dám tranh_giành quyền_lực với quân vương . " Tuy_nhiên , những năm cuối thời nhà_vua không có cải_cách nào , gây não_lòng cho Voltaire . Khi nhà_vua băng_hà , Voltaire viết về thời_kì này , " 56 năm , qua đi với những mệt_mỏi và nhữ...

• Loss: CachedMultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 5
• warmup_ratio: 0.1
• warmup_steps: 50
• 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: 32
• per_device_eval_batch_size: 32
• 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: 2e-05
• weight_decay: 0.01
• 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: 50
• 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: 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}
• 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
• 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
• dispatch_batches: None
• split_batches: 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
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.1704	100	0.452	-
0.3407	200	0.4073	-
0.5111	300	0.345	0.2883
0.6814	400	0.311	-
0.8518	500	0.2969	-
1.0221	600	0.2561	0.2137
1.1925	700	0.2255	-
1.3629	800	0.2027	-
1.5332	900	0.1978	0.1811
1.7036	1000	0.1954	-
1.8739	1100	0.1753	-
2.0443	1200	0.1559	0.1599
2.2147	1300	0.1155	-
2.3850	1400	0.1143	-
2.5554	1500	0.1196	0.1572
2.7257	1600	0.1258	-
2.8961	1700	0.1271	-
3.0664	1800	0.1025	0.1463
3.2368	1900	0.0802	-
3.4072	2000	0.0716	-
3.5775	2100	0.0913	0.1401
3.7479	2200	0.0801	-
3.9182	2300	0.0835	-
4.0886	2400	0.0663	0.1323
4.2589	2500	0.0525	-
4.4293	2600	0.0462	-
4.5997	2700	0.0476	0.1282

Framework Versions

• Python: 3.11.10
• Sentence Transformers: 3.4.1
• Transformers: 4.49.0
• PyTorch: 2.5.1+cu124
• Accelerate: 1.4.0
• Datasets: 3.3.2
• Tokenizers: 0.21.0

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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}