| | --- |
| | base_model: sentence-transformers/multi-qa-mpnet-base-dot-v1 |
| | library_name: sentence-transformers |
| | metrics: |
| | - cosine_accuracy@1 |
| | - cosine_accuracy@3 |
| | - cosine_accuracy@5 |
| | - cosine_accuracy@10 |
| | - cosine_precision@1 |
| | - cosine_precision@3 |
| | - cosine_precision@5 |
| | - cosine_precision@10 |
| | - cosine_recall@1 |
| | - cosine_recall@3 |
| | - cosine_recall@5 |
| | - cosine_recall@10 |
| | - cosine_ndcg@10 |
| | - cosine_mrr@10 |
| | - cosine_map@100 |
| | - dot_accuracy@1 |
| | - dot_accuracy@3 |
| | - dot_accuracy@5 |
| | - dot_accuracy@10 |
| | - dot_precision@1 |
| | - dot_precision@3 |
| | - dot_precision@5 |
| | - dot_precision@10 |
| | - dot_recall@1 |
| | - dot_recall@3 |
| | - dot_recall@5 |
| | - dot_recall@10 |
| | - dot_ndcg@10 |
| | - dot_mrr@10 |
| | - dot_map@100 |
| | pipeline_tag: sentence-similarity |
| | tags: |
| | - sentence-transformers |
| | - sentence-similarity |
| | - feature-extraction |
| | - generated_from_trainer |
| | - dataset_size:2012 |
| | - loss:MatryoshkaLoss |
| | - loss:MultipleNegativesRankingLoss |
| | widget: |
| | - source_sentence: O que são os principais temas abordados na disciplina de Redes |
| | de Computadores, de acordo com sua ementa? |
| | sentences: |
| | - '| Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | |---|---|---|---| |
| | |
| | | Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | | | ESTRUTURAS DE DADOS I | 04 | 60 | |
| | |
| | | EMENTA | | | | |
| | |
| | | Funções recursivas. Ponteiros. Alocação dinâmica de memória. Tipos Abstratos |
| | de Dados. Listas lineares: listas encadeadas, pilhas, filas. Árvores: representação, |
| | operações e percursos. Árvores binárias de busca. Heaps. | | | | |
| | |
| | | OBJETIVO | | | | |
| | |
| | | Aplicar estruturas de dados básicas e avançadas para a solução de problemas |
| | computacionais. | | | | |
| | |
| | | REFERÊNCIAS BÁSICAS | | | | |
| | |
| | | CORMEN, T.; RIVEST, R.; STEIN, C.; LEISERSON, C. Algoritmos: Teoria e Prática. |
| | Elsevier - Campus, 2012. | | | | |
| | |
| | ' |
| | - '| Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | |---|---|---|---| |
| | |
| | | Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | | | REDES DE COMPUTADORES | 04 | 60 | |
| | |
| | | EMENTA | | | | |
| | |
| | | Fundamentos de sistemas de comunicação de dados. Arquiteturas de redes: modelos |
| | OSI e TCP/IP. Protocolos de comunicação na Internet: camadas de aplicação, transporte, |
| | rede e enlace. Avaliação de desempenho. | | | | |
| | |
| | | OBJETIVO | | | | |
| | |
| | ' |
| | - '| Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | |---|---|---|---| |
| | |
| | | Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | | GCS239 | DIREITOS E CIDADANIA | 04 | 60 | |
| | |
| | | EMENTA | | | | |
| | |
| | | Origens históricas e teóricas da noção de cidadania. O processo moderno de constituição |
| | dos direitos civis, políticos, sociais e culturais. Políticas de reconhecimento |
| | e promoção da cidadania. Direitos e cidadania no Brasil. | | | | |
| | |
| | | OBJETIVO | | | | |
| | |
| | ' |
| | - source_sentence: 'Em que editora foram publicados os livros "Conceitos de Linguagens |
| | de Programação" e "Programming Languages: Principles And Practices", como indicado |
| | no contexto?' |
| | sentences: |
| | - "A carga horária dos componentes curriculares do Domínio Conexo é de 420 horas\ |
| | \ e <br><br>representa 13,12% das 3200 horas necessárias à integralização do Curso\ |
| | \ de Ciência da <br><br>Computação. <br><br>Nos componentes idênticos e obrigatórios\ |
| | \ a articulação acontece na medida em que os \nDRAFT <br><br>discentes transitam\ |
| | \ entre os cursos, otimizando a oferta destes componentes e a troca de <br><br>experiências.\ |
| | \ Já os componentes não idênticos exigirão do corpo docente, na medida em que\ |
| | \ <br><br>houver reformulação dos demais PPCs, a construção de atividades conjuntas.\ |
| | \ Para isso, a <br><br>interação entre os NDEs se fará necessária. " |
| | - '1130 **Lei n° 12.764, de 27 de dezembro de 2012 –**institui a Política Nacional |
| | de Proteção dos <br><br>Direitos da Pessoa com Transtorno do Espectro Autista, |
| | e altera o § 3o do art. 98 da Lei no <br><br>Projeto Pedagógico do Curso de Ciência |
| | Da Computação,*Campus*Chapecó. <br><br>42 ' |
| | - "SEBESTA, R. W.**Conceitos de Linguagens de Programação.**11. ed. Porto Alegre:\ |
| | \ \nBookman, 2018. \nLOUDEN, K. C.; LAMBERT, K. A.**Programming Languages:**Principles\ |
| | \ And Practices. \n3. ed. Hardcover, 2011. \nPRATT, T. W.; ZELKOWITZ, M. V. \n\ |
| | Implementation. 4. ed. Prentice-Hall, 2000. <br><br>**Programming Languages:**Design\ |
| | \ and " |
| | - source_sentence: Qual é o objetivo do componente curricular "Introdução à Computação" |
| | no plano de estudos? |
| | sentences: |
| | - 'desenvolvimento de habilidades de trabalho em grupo e de comunicação e <br><br>expressão; |
| | <br><br> preocupação constante com a atualização tecnológica e com o estado |
| | da arte; <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó. |
| | <br><br>31 ' |
| | - "REFERÊNCIAS COMPLEMENTARES <br><br>DAVIS, M. D.; WEYUKER, E. J.**Computability,\ |
| | \ Complexity and Languages:**\nFundamentals of Theoretical Computer Science. 2.\ |
| | \ ed. Morgan Kaufmann, 1994. \nFURTADO, O. J. V.**Apostila de Linguagens Formais\ |
| | \ e Compiladores**. UFSC, 2002. \nDisponível em: <www.inf.ufsc.br/~olinto/apostila-lfc.doc>.\ |
| | \ \nHOPCROFT, J. E.; MOTWANI, R.; ULLMAN, J. D.**Introdução à Teoria dos**\n**Autômatos,\ |
| | \ Linguagens e Computação.**1. ed. Rio de Janeiro: Campus, 2002. <br><br>DRAFT " |
| | - '| Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | |---|---|---|---| |
| | |
| | | Código | COMPONENTE CURRICULAR | Créditos | Horas | |
| | |
| | | | INTRODUÇÃO À COMPUTAÇÃO | 04 | 60 | |
| | |
| | | EMENTA | | | | |
| | |
| | | Introdução ao Curso de Ciência da Computação e à Universidade Federal da Fronteira |
| | Sul: principais estruturas e regulamentos. Introdução à área da Computação: inserção |
| | e desenvolvimento profissional, carreira acadêmica e técnica. Conhecimentos e |
| | comandos básicos em sistemas operacionais abertos. Fundamentos básicos da Computação: |
| | história, principais componentes de hardware e software, sistemas de numeração, |
| | aritmética binária e suas operações. Principais ferramentas e tecnologias para |
| | o desenvolvimento e versionamento de código. | | | | |
| | |
| | | OBJETIVO | | | | |
| | |
| | <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó. |
| | <br><br>59 ' |
| | - source_sentence: Quais são as legislações específicas que o PPC do Curso de Ciência |
| | da Computação segue? |
| | sentences: |
| | - '**8.3 Atendimento às legislações específicas**<br><br>O PPC do Curso de Graduação |
| | em Ciência da Computação orienta-se pela legislação <br><br>1090 educacional, |
| | geral e específica da área, bem como pelas normativas e orientações <br><br>institucionais |
| | da UFFS, abaixo elencadas as referências legais: ' |
| | - "**REFERÊNCIAS BÁSICAS**<br><br>DA SILVA, Wagner Pires. Extensão Universitária:\ |
| | \ um conceito em construção. Revista \nem: \nEdição \nExtensão \nhttps://periodicos.ufrn.br/extensaoesociedade.\ |
| | \ Acesso em: 01/02/2021. \nDE PAULA, João Antônio. A extensão universitária: história,\ |
| | \ conceito e propostas. Revista \nInterfaces. Disponível em: https://periodicos.ufmg.br/index.php/revistainterfaces.\ |
| | \ Acesso \nem: 07/07/2021. \nGADOTTI, Moacir. Extensão Universitária: Para quê?\ |
| | \ Disponível em: paulofreire.org. \nAcesso em: 07/07/2021. <br><br> & Sociedade.\ |
| | \ 2020.2. Disponível " |
| | - '180 pelas Resoluções 006/2012 – CONSUNI/CGRAD e 008/2016 – CONSUNI/CGAE, se |
| | dá com <br><br>base nos resultados do Exame Nacional do Ensino Médio (ENEM), mediante |
| | inscrição no <br><br>Sistema de Seleção Unificada (SISU), do Ministério da Educação |
| | (MEC). Em atendimento à <br><br>Lei nº 12.711/2012 (Lei de Cotas) e a legislações |
| | complementares (Decreto nº 7.824/2012 e <br><br>Portaria Normativa MEC Nº 18/2012), |
| | a UFFS toma como base para a definição do <br><br>185 percentual de vagas reservadas |
| | a candidatos que cursaram o Ensino Médio integralmente em <br><br>escola pública |
| | o resultado do último Censo Escolar/INEP/MEC, de acordo com o estado <br><br>correspondente |
| | ao local de oferta das vagas. <br><br>Além da reserva de vagas garantida por Lei, |
| | a UFFS adota, como ações afirmativas, a <br><br>reserva de vagas para candidatos |
| | que tenham cursado o ensino médio parcialmente em escola ' |
| | - source_sentence: Onde é mencionado oficialmente o NDE do curso de Ciência Da Computação, |
| | conforme a Portaria nº ? |
| | sentences: |
| | - '**4.1 Justificativa da criação do curso**<br><br>A tecnologia da informação faz |
| | parte do conjunto de recursos que sustentam e <br><br>505 viabilizam vários setores |
| | comerciais, industriais e sociais. O desenvolvimento da área de <br><br>Computação |
| | é extremamente dinâmico e tem sido impulsionado por crescentes demandas <br><br>provenientes |
| | das relações com os ambientes em que está inserida. Além de atender às <br><br>demandas, |
| | a inovação tecnológica relacionada a todos os tipos de sistemas computacionais |
| | <br><br>tem causado profundo impacto nas áreas usuárias provocando mudanças, revisões, |
| | e <br><br>510 transformações, culminando inclusive com o surgimento de novos |
| | campos de atuação <br><br>profissional. A tecnologia, hoje, possui uma responsabilidade |
| | técnica e social inegável. Falhas <br><br>tecnológicas podem provocar danos de |
| | grandes proporções, o que justifica a importância da <br><br>constante qualificação |
| | e a reflexão sobre a participação da tecnologia no dia a dia. A <br><br>academia |
| | tem grande responsabilidade e capacidade para contribuir com esta demanda. <br><br>515 ' |
| | - '**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul |
| | foi criada pela Lei Nº 12.029, de 15 de <br><br>35 setembro de 2009. Tem abrangência |
| | interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no |
| | Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no |
| | Paraná – Laranjeiras do Sul e Realeza. ' |
| | - '**3.4 Núcleo Docente Estruturante do Curso**<br><br>O NDE do curso de Ciência |
| | Da Computação, conforme designado na Portaria nº <br><br>Projeto Pedagógico do |
| | Curso de Ciência Da Computação,*Campus*Chapecó. <br><br>17 ' |
| | model-index: |
| | - name: SentenceTransformer based on sentence-transformers/multi-qa-mpnet-base-dot-v1 |
| | results: |
| | - task: |
| | type: information-retrieval |
| | name: Information Retrieval |
| | dataset: |
| | name: Unknown |
| | type: unknown |
| | metrics: |
| | - type: cosine_accuracy@1 |
| | value: 0.625 |
| | name: Cosine Accuracy@1 |
| | - type: cosine_accuracy@3 |
| | value: 0.8014705882352942 |
| | name: Cosine Accuracy@3 |
| | - type: cosine_accuracy@5 |
| | value: 0.8639705882352942 |
| | name: Cosine Accuracy@5 |
| | - type: cosine_accuracy@10 |
| | value: 0.9227941176470589 |
| | name: Cosine Accuracy@10 |
| | - type: cosine_precision@1 |
| | value: 0.625 |
| | name: Cosine Precision@1 |
| | - type: cosine_precision@3 |
| | value: 0.26715686274509803 |
| | name: Cosine Precision@3 |
| | - type: cosine_precision@5 |
| | value: 0.17279411764705882 |
| | name: Cosine Precision@5 |
| | - type: cosine_precision@10 |
| | value: 0.09227941176470587 |
| | name: Cosine Precision@10 |
| | - type: cosine_recall@1 |
| | value: 0.625 |
| | name: Cosine Recall@1 |
| | - type: cosine_recall@3 |
| | value: 0.8014705882352942 |
| | name: Cosine Recall@3 |
| | - type: cosine_recall@5 |
| | value: 0.8639705882352942 |
| | name: Cosine Recall@5 |
| | - type: cosine_recall@10 |
| | value: 0.9227941176470589 |
| | name: Cosine Recall@10 |
| | - type: cosine_ndcg@10 |
| | value: 0.7746268345784679 |
| | name: Cosine Ndcg@10 |
| | - type: cosine_mrr@10 |
| | value: 0.7270682578586998 |
| | name: Cosine Mrr@10 |
| | - type: cosine_map@100 |
| | value: 0.730138186486271 |
| | name: Cosine Map@100 |
| | - type: dot_accuracy@1 |
| | value: 0.6274509803921569 |
| | name: Dot Accuracy@1 |
| | - type: dot_accuracy@3 |
| | value: 0.7990196078431373 |
| | name: Dot Accuracy@3 |
| | - type: dot_accuracy@5 |
| | value: 0.8700980392156863 |
| | name: Dot Accuracy@5 |
| | - type: dot_accuracy@10 |
| | value: 0.9203431372549019 |
| | name: Dot Accuracy@10 |
| | - type: dot_precision@1 |
| | value: 0.6274509803921569 |
| | name: Dot Precision@1 |
| | - type: dot_precision@3 |
| | value: 0.26633986928104575 |
| | name: Dot Precision@3 |
| | - type: dot_precision@5 |
| | value: 0.17401960784313725 |
| | name: Dot Precision@5 |
| | - type: dot_precision@10 |
| | value: 0.09203431372549019 |
| | name: Dot Precision@10 |
| | - type: dot_recall@1 |
| | value: 0.6274509803921569 |
| | name: Dot Recall@1 |
| | - type: dot_recall@3 |
| | value: 0.7990196078431373 |
| | name: Dot Recall@3 |
| | - type: dot_recall@5 |
| | value: 0.8700980392156863 |
| | name: Dot Recall@5 |
| | - type: dot_recall@10 |
| | value: 0.9203431372549019 |
| | name: Dot Recall@10 |
| | - type: dot_ndcg@10 |
| | value: 0.7739749189192305 |
| | name: Dot Ndcg@10 |
| | - type: dot_mrr@10 |
| | value: 0.7269403594771247 |
| | name: Dot Mrr@10 |
| | - type: dot_map@100 |
| | value: 0.7302016154418327 |
| | name: Dot Map@100 |
| | --- |
| | |
| | # SentenceTransformer based on sentence-transformers/multi-qa-mpnet-base-dot-v1 |
| |
|
| | This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/multi-qa-mpnet-base-dot-v1](https://huggingface.co/sentence-transformers/multi-qa-mpnet-base-dot-v1). 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:** [sentence-transformers/multi-qa-mpnet-base-dot-v1](https://huggingface.co/sentence-transformers/multi-qa-mpnet-base-dot-v1) <!-- at revision bc0175d50b67121e4a5189c4fa864aff3e58eb6c --> |
| | - **Maximum Sequence Length:** 512 tokens |
| | - **Output Dimensionality:** 768 tokens |
| | - **Similarity Function:** Dot Product |
| | <!-- - **Training Dataset:** Unknown --> |
| | <!-- - **Language:** Unknown --> |
| | <!-- - **License:** Unknown --> |
| |
|
| | ### Model Sources |
| |
|
| | - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) |
| | - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) |
| | - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) |
| |
|
| | ### Full Model Architecture |
| |
|
| | ``` |
| | SentenceTransformer( |
| | (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: MPNetModel |
| | (1): Pooling({'word_embedding_dimension': 768, '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}) |
| | ) |
| | ``` |
| |
|
| | ## Usage |
| |
|
| | ### Direct Usage (Sentence Transformers) |
| |
|
| | First install the Sentence Transformers library: |
| |
|
| | ```bash |
| | pip install -U sentence-transformers |
| | ``` |
| |
|
| | Then you can load this model and run inference. |
| | ```python |
| | from sentence_transformers import SentenceTransformer |
| | |
| | # Download from the 🤗 Hub |
| | model = SentenceTransformer("sentence_transformers_model_id") |
| | # Run inference |
| | sentences = [ |
| | 'Onde é mencionado oficialmente o NDE do curso de Ciência Da Computação, conforme a Portaria nº ?', |
| | '**3.4 Núcleo Docente Estruturante do Curso**<br><br>O NDE do curso de Ciência Da Computação, conforme designado na Portaria nº <br><br>Projeto Pedagógico do Curso de Ciência Da Computação,*Campus*Chapecó. <br><br>17 ', |
| | '**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. ', |
| | ] |
| | 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] |
| | ``` |
| |
|
| | <!-- |
| | ### Direct Usage (Transformers) |
| |
|
| | <details><summary>Click to see the direct usage in Transformers</summary> |
| |
|
| | </details> |
| | --> |
| |
|
| | <!-- |
| | ### Downstream Usage (Sentence Transformers) |
| |
|
| | You can finetune this model on your own dataset. |
| |
|
| | <details><summary>Click to expand</summary> |
| |
|
| | </details> |
| | --> |
| |
|
| | <!-- |
| | ### Out-of-Scope Use |
| |
|
| | *List how the model may foreseeably be misused and address what users ought not to do with the model.* |
| | --> |
| |
|
| | ## Evaluation |
| |
|
| | ### Metrics |
| |
|
| | #### Information Retrieval |
| |
|
| | * Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
| |
|
| | | Metric | Value | |
| | |:--------------------|:-----------| |
| | | cosine_accuracy@1 | 0.625 | |
| | | cosine_accuracy@3 | 0.8015 | |
| | | cosine_accuracy@5 | 0.864 | |
| | | cosine_accuracy@10 | 0.9228 | |
| | | cosine_precision@1 | 0.625 | |
| | | cosine_precision@3 | 0.2672 | |
| | | cosine_precision@5 | 0.1728 | |
| | | cosine_precision@10 | 0.0923 | |
| | | cosine_recall@1 | 0.625 | |
| | | cosine_recall@3 | 0.8015 | |
| | | cosine_recall@5 | 0.864 | |
| | | cosine_recall@10 | 0.9228 | |
| | | cosine_ndcg@10 | 0.7746 | |
| | | cosine_mrr@10 | 0.7271 | |
| | | **cosine_map@100** | **0.7301** | |
| | | dot_accuracy@1 | 0.6275 | |
| | | dot_accuracy@3 | 0.799 | |
| | | dot_accuracy@5 | 0.8701 | |
| | | dot_accuracy@10 | 0.9203 | |
| | | dot_precision@1 | 0.6275 | |
| | | dot_precision@3 | 0.2663 | |
| | | dot_precision@5 | 0.174 | |
| | | dot_precision@10 | 0.092 | |
| | | dot_recall@1 | 0.6275 | |
| | | dot_recall@3 | 0.799 | |
| | | dot_recall@5 | 0.8701 | |
| | | dot_recall@10 | 0.9203 | |
| | | dot_ndcg@10 | 0.774 | |
| | | dot_mrr@10 | 0.7269 | |
| | | dot_map@100 | 0.7302 | |
| | |
| | <!-- |
| | ## Bias, Risks and Limitations |
| | |
| | *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
| | --> |
| | |
| | <!-- |
| | ### Recommendations |
| | |
| | *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
| | --> |
| | |
| | ## Training Details |
| | |
| | ### Training Dataset |
| | |
| | #### Unnamed Dataset |
| | |
| | |
| | * Size: 2,012 training samples |
| | * Columns: <code>sentence_0</code> and <code>sentence_1</code> |
| | * Approximate statistics based on the first 1000 samples: |
| | | | sentence_0 | sentence_1 | |
| | |:--------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| |
| | | type | string | string | |
| | | details | <ul><li>min: 14 tokens</li><li>mean: 40.7 tokens</li><li>max: 123 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 272.17 tokens</li><li>max: 512 tokens</li></ul> | |
| | * Samples: |
| | | sentence_0 | sentence_1 | |
| | |:-----------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
| | | <code>Em quantos estados brasileiros a Universidade Federal da Fronteira Sul está localizada?</code> | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> | |
| | | <code>Qual é a cidade sede da universidade?</code> | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> | |
| | | <code>Quantos *campi* possui a universidade em cada um dos estados onde está presente?</code> | <code>**IDENTIFICAÇÃO INSTITUCIONAL**<br><br>A Universidade Federal da Fronteira Sul foi criada pela Lei Nº 12.029, de 15 de <br><br>35 setembro de 2009. Tem abrangência interestadual com sede na cidade catarinense de <br><br>Chapecó, três*campi*no Rio Grande do Sul – Cerro Largo, Erechim e Passo Fundo – e dois <br><br>*campi*no Paraná – Laranjeiras do Sul e Realeza. </code> | |
| | * Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: |
| | ```json |
| | { |
| | "loss": "MultipleNegativesRankingLoss", |
| | "matryoshka_dims": [ |
| | 768, |
| | 512, |
| | 256, |
| | 128, |
| | 64 |
| | ], |
| | "matryoshka_weights": [ |
| | 1, |
| | 1, |
| | 1, |
| | 1, |
| | 1 |
| | ], |
| | "n_dims_per_step": -1 |
| | } |
| | ``` |
| | |
| | ### Training Hyperparameters |
| | #### Non-Default Hyperparameters |
| | |
| | - `eval_strategy`: steps |
| | - `per_device_train_batch_size`: 10 |
| | - `per_device_eval_batch_size`: 10 |
| | - `num_train_epochs`: 30 |
| | - `multi_dataset_batch_sampler`: round_robin |
| | |
| | #### All Hyperparameters |
| | <details><summary>Click to expand</summary> |
| | |
| | - `overwrite_output_dir`: False |
| | - `do_predict`: False |
| | - `eval_strategy`: steps |
| | - `prediction_loss_only`: True |
| | - `per_device_train_batch_size`: 10 |
| | - `per_device_eval_batch_size`: 10 |
| | - `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`: 30 |
| | - `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`: 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} |
| | - `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`: False |
| | - `hub_always_push`: False |
| | - `gradient_checkpointing`: False |
| | - `gradient_checkpointing_kwargs`: None |
| | - `include_inputs_for_metrics`: False |
| | - `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 |
| | - `eval_use_gather_object`: False |
| | - `batch_sampler`: batch_sampler |
| | - `multi_dataset_batch_sampler`: round_robin |
| | |
| | </details> |
| | |
| | ### Training Logs |
| | | Epoch | Step | Training Loss | cosine_map@100 | |
| | |:------:|:----:|:-------------:|:--------------:| |
| | | 0.9901 | 200 | - | 0.6360 | |
| | | 1.0 | 202 | - | 0.6399 | |
| | | 1.9802 | 400 | - | 0.6686 | |
| | | 2.0 | 404 | - | 0.6670 | |
| | | 2.4752 | 500 | 2.6222 | - | |
| | | 2.9703 | 600 | - | 0.6943 | |
| | | 3.0 | 606 | - | 0.6864 | |
| | | 3.9604 | 800 | - | 0.7016 | |
| | | 4.0 | 808 | - | 0.7064 | |
| | | 4.9505 | 1000 | 0.5981 | 0.7301 | |
| | |
| | |
| | ### Framework Versions |
| | - Python: 3.10.12 |
| | - Sentence Transformers: 3.2.1 |
| | - Transformers: 4.44.2 |
| | - PyTorch: 2.5.0+cu121 |
| | - Accelerate: 0.34.2 |
| | - Datasets: 3.1.0 |
| | - Tokenizers: 0.19.1 |
| | |
| | ## Citation |
| | |
| | ### BibTeX |
| | |
| | #### Sentence Transformers |
| | ```bibtex |
| | @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 |
| | ```bibtex |
| | @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 |
| | ```bibtex |
| | @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} |
| | } |
| | ``` |
| | |
| | <!-- |
| | ## Glossary |
| | |
| | *Clearly define terms in order to be accessible across audiences.* |
| | --> |
| | |
| | <!-- |
| | ## Model Card Authors |
| | |
| | *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
| | --> |
| | |
| | <!-- |
| | ## Model Card Contact |
| | |
| | *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
| | --> |
