Upload folder using huggingface_hub

d75a0da verified 6 months ago

23.1 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:14321
  - loss:MultipleNegativesRankingLoss
base_model: LazarusNLP/congen-indobert-lite-base
widget:
  - source_sentence: Sampah macam apa yang cenderung diproduksi oleh pedagang pantai?
    sentences:
      - >-
        . ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh
        keluarga, atas segala doa dan kasih sayangnya.
      - >-
        infoHelper answer :Ingat: kumpulkan sampah, olah di tong transmutasi,
        serahkan ke Crafter, dan jual ke Seller.
      - >-
        . sedangkan penduduk atau pedagang di pantai cenderung menghasilkan
        sampah kemasan dan juga sampah organik seperti sisa makanan, tempurung
        kelapa, sisa ikan dan jualan pasar lainnya yang dihasilkan dari pasar
        serta warung makan.
  - source_sentence: Bagaimana mekanisme untuk menyelesaikan sengketa sampah di pengadilan?
    sentences:
      - >-
        ( dinas kebudayaan dan pariwisata kabupaten bantul, 2016 ) pantai goa
        cemara sumber : google maps gambar 2. 6 peta pantai depok 2.3.2 profil
        pantai sesuai dengan namanya, pantai goa cemara merupakan pantai
      - >-
        memberikan terapan ilmu pengetahuan yang didapatkan peneliti selama
        mempelajari mata kuliah persampahan. 4 bab ii tinjauan pustaka 2.1
        gambaran umum lokasi penelitian pantai parangtritis 2.1.1 peta lokasi
      - >-
        pasal 35 (1) penyelesaian dalam pengadilan dilakukan melalui gugatan
        perbuatan melawan hukum. sengketa persampahan di (2) gugatan . . . 19 -
  - source_sentence: Apa yang dipertimbangkan ketika menetapkan Wilayah Ekoregion?
    sentences:
      - >-
        . ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh
        keluarga, atas segala doa dan kasih sayangnya.
      - >-
        dimaksud pada ayat mempertimbangkan kesamaan: a. karakteristik bentang
        alam; b. daerah aliran sungai; c. iklim; d. flora dan fauna; e. sosial
        budaya; f. ekonomi; g. kelembagaan masyarakat; dan h. hasil
        inventarisasi lingkungan hidup. pasal 8
      - >-
        kini dan generasi masa depan; g. menjamin pemenuhan dan perlindungan hak
        atas lingkungan hidup sebagai bagian dari hak asasi manusia; h.
        mengendalikan pemanfaatan sumber daya alam secara bijaksana; i.
        mewujudkan pembangunan berkelanjutan; dan
  - source_sentence: Kapan dosen pembimbing menyetujui tugas akhir tersebut?
    sentences:
      - >-
        ancaman serius adalah ancaman yang berdampak luas terhadap lingkungan
        hidup dan menimbulkan keresahan masyarakat.
      - >-
        dapat dipahami oleh beberapa kalangan masyarakat saja. 5. perilaku serta
        peran masyarakat yang masih belum memiliki kesadaran dalam membuang
        sampah pada tempatnya, menjaga lingkungan dan pemilahan jenis sampah. 46
        5.2 saran
      - >-
        yebi yuriandala, st,m.eng nik. 135130503 tanggal: 29 maret 2021
        mengetahui, ketua prodi teknik lingkungan ftsp uii eko siswoyo,
        s.t.,m.sc.es.,ph.d nik. 025100406 tanggal: 27 mei 2021 halam pengesahan
  - source_sentence: Apakah penyidik PPNS memiliki kewenangan untuk memeriksa laporan?
    sentences:
      - >-
        pantai goa cemara dan pantai depok. 6. metode perhitungan jumlah
        timbulan dan komposisi sampah dengan mengacu pada sni 19-3964-1994
        tentang metode pengambilan dan pengukuran contoh timbulan dan komposisi
        sampah perkotaan. 3
      - >-
        lingkungan hidup adalah kesatuan ruang dengan semua benda, daya,
        keadaan, dan makhluk hidup, termasuk manusia dan perilakunya, yang
        mempengaruhi alam itu sendiri, kelangsungan perikehidupan, dan
        kesejahteraan manusia serta makhluk hidup lain.
      - >-
        berwenang: a. melakukan pemeriksaan atas kebenaran laporan atau
        keterangan berkenaan di dengan bidang perlindungan pengelolaan
        lingkungan hidup; tindak pidana dan
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on LazarusNLP/congen-indobert-lite-base
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: retrieval validation
          type: retrieval-validation
        metrics:
          - type: cosine_accuracy
            value: 1
            name: Cosine Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: ai faq validation
          type: ai-faq-validation
        metrics:
          - type: cosine_accuracy
            value: 1
            name: Cosine Accuracy

SentenceTransformer based on LazarusNLP/congen-indobert-lite-base

This is a sentence-transformers model finetuned from LazarusNLP/congen-indobert-lite-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: LazarusNLP/congen-indobert-lite-base
Maximum Sequence Length: 32 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': 32, 'do_lower_case': False, 'architecture': 'AlbertModel'})
  (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': 768, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Apakah penyidik PPNS memiliki kewenangan untuk memeriksa laporan?',
    'berwenang: a. melakukan pemeriksaan atas kebenaran laporan atau keterangan berkenaan di dengan bidang perlindungan pengelolaan lingkungan hidup; tindak pidana dan',
    'lingkungan hidup adalah kesatuan ruang dengan semua benda, daya, keadaan, dan makhluk hidup, termasuk manusia dan perilakunya, yang mempengaruhi alam itu sendiri, kelangsungan perikehidupan, dan kesejahteraan manusia serta makhluk hidup lain.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.5783, -0.0924],
#         [ 0.5783,  1.0000,  0.0538],
#         [-0.0924,  0.0538,  1.0000]])

Evaluation

Metrics

Triplet

Datasets: retrieval-validation and ai-faq-validation
Evaluated with TripletEvaluator

Metric	retrieval-validation	ai-faq-validation
cosine_accuracy	1.0	1.0

Training Details

Training Dataset

Unnamed Dataset

Size: 14,321 training 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: 12.17 tokens max: 27 tokens	min: 4 tokens mean: 28.56 tokens max: 32 tokens	min: 7 tokens mean: 28.47 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Apa maksud dari paragraf 4?`	`berlaku terhadap paragraf 4 hak gugat pemerintah dan pemerintah daerah pasal 90`	`berkunjung ke objek wisata bantul tahun 2019 menurut statistik kepariwisataan d.i.yogyakarta tahun 2019 mencapai 8 juta wisatawan, sekitar 2,7 juta diantaranya berkunjung ke pantai parangtritis dan 52 ribu`
`Bolehkah HPP meminta bantuan ahli untuk menyelidiki?`	`terdapat bukti, f. meminta bantuan ahli dalam pelaksanaan tugas penyidikan tindak pidana di bidang pengelolaan sampah.`	`kawasan komersial berupa, antara lain, pusat perdagangan, pasar, pertokoan, hotel, perkantoran, restoran, dan tempat hiburan.`
`Apa arti lainnya dari simbol "45" pada nama koperasi itu?`	`. kedua sebagai untuk mengenang jasa pahlawan kemerdekaan di tahun 1945`	`data sekunder mengambil informasi kondisi eksisting dan pengelolaan sampah pada dinas pariwisata kabupaten bantul. 2. berdasarkan tempat, pengambilan data penelitian adalah penelitian lapangan.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 4,092 evaluation 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: 12.17 tokens max: 26 tokens	min: 3 tokens mean: 28.92 tokens max: 32 tokens	min: 7 tokens mean: 28.44 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Gambar 4.9 menunjukkan kegiatan seperti itu?`	`gambar 4. 9 tpl pantai depok 31 4.1.3 pantai goa cemara`	`. masyarakat hukum adat adalah kelompok masyarakat yang secara turun temurun bermukim di wilayah geografis tertentu karena adanya ikatan pada asal usul leluhur, adanya hubungan yang kuat dengan lingkungan hidup, serta adanya sistem nilai yang`
`Apa arti dari Pasal 47 ayat 11?`	`paragraf 11 analisis risiko lingkungan hidup pasal 47`	`penerapan teknologi yang diperkirakan mempunyai besar untuk potensi mempengaruhi lingkungan hidup.`
`Bagaimana dengan daya dukung lingkungan hidup?`	`fungsi 7. daya adalah lingkungan kemampuan lingkungan hidup untuk mendukung perikehidupan manusia, makhluk hidup lain, dan keseimbangan antarkeduanya. dukung hidup 8. daya`	`78.8 10.83 51.34 8.16 11 76.21 48.13 19.95 51 2.4 5.53 13.28 13 0.9 0.82 48.66 3.15 0.08 3.68 1 5.56 1.21 17.82 36.23 5 19 9 6 85`

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: 128
per_device_eval_batch_size: 128
learning_rate: 2e-05
num_train_epochs: 0.5
warmup_ratio: 0.1
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: 128
per_device_eval_batch_size: 128
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: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 0.5
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: 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: 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_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: no_duplicates
multi_dataset_batch_sampler: proportional
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	retrieval-validation_cosine_accuracy	ai-faq-validation_cosine_accuracy
-1	-1	-	-	0.9990	-
0.0893	10	2.2994	0.3824	0.9995	-
0.1786	20	1.8925	0.2965	1.0	-
0.2679	30	1.5729	0.2591	1.0	-
0.3571	40	1.2261	0.2386	1.0	-
0.4464	50	0.9373	0.2293	1.0	-
-1	-1	-	-	-	1.0

Framework Versions

Python: 3.12.12
Sentence Transformers: 5.1.2
Transformers: 4.57.1
PyTorch: 2.8.0+cu126
Accelerate: 1.11.0
Datasets: 4.0.0
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}
}