File size: 25,528 Bytes
999d22b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 | ---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:3801
- loss:MultipleNegativesRankingLoss
base_model: LazarusNLP/congen-indobert-lite-base
widget:
- source_sentence: s Siapa yang menetapkan keputusan kelayakan lingkungan?
sentences:
- Apakah bahan saya cukup?
- (3) Pakar independen dan sekretariat sebagaimana dimaksud pada ayat (3) ditetapkan
oleh Menteri, gubernur, atau bupati/walikota sesuai dengan kewenangannya. Pasal
31 Berdasarkan hasil penilaian Komisi Penilai Amdal, Menteri, gubernur, atau bupati/walikota
menetapkan keputusan kelayakan atau ketidaklayakan lingkungan hidup sesuai dengan
kewenangannya.
- Tujuan yang hendak dicapai dari penerapan konsep pengelolaan sampah ini adalah
minimalisasi sampah, peningkatan kualitas kesehatan masyarakat, dan peningkatan
kualitas lingkungan hidup.
- source_sentence: Pidana tambahan apa yang dapat dikenakan pada badan usaha?kata
kata
sentences:
- Abstra ct Parangtritis Beach is a tourist attraction that is visited by many tourists.
The number of tourists visiting during the 2018 holiday reached 9,870 people in
one day.
- d. pakar di bidang pengetahuan yang terkait dengan dampak yang timbul dari suatu
usaha dan/atau kegiatan yang sedang dikaji; e. wakil dari masyarakat yang berpotensi
terkena dampak; dan f. organisasi lingkungan hidup
- 'perundang-undangan selaku pelaku fungsional. Pasal - 68 - Pasal 119 Selain pidana
sebagaimana dimaksud dalam Undang-Undang ini, terhadap badan usaha dapat dikenakan
pidana tambahan atau tindakan tata tertib berupa: a. perampasan keuntungan yang
diperoleh dari tindak pidana; b.'
- source_sentence: Siapa Menteri Hukum dan HAM?
sentences:
- MENTERI HUKUM DAN HAK ASASI MANUSIA REPUBLIK INDONESIA, ttd. ANDI MATTALATTA LEMBARAN
NEGARA REPUBLIK INDONESIA TAHUN 2008 NOMOR
- (3) Dalam hal setiap orang tidak mampu melakukan sendiri pengelolaan limbah B3,
pengelolaannya diserahkan kepada pihak lain. (4) Pengelolaan limbah B3 wajib mendapat
izin dari Menteri, gubernur, atau bupati/walikota sesuai dengan kewenangannya
- terletak pada area yang posisi geografisnya berada diantara 7058`33`` LS sampai
dengan 802`26`` LS dan diantara 110025`15`` BT sampai dengan 110028`15`` BT. Luas
keseluruhan wilayah Kecamatan Kretek adalah 2.677 Ha (5,28 % dari luas
- source_sentence: s Apa kewajiban usaha yang belum memiliki UKLUPL?
sentences:
- (2) Komisi Penilai Amdal wajib memiliki lisensi dari Menteri, gubernur, atau bupati/walikota
sesuai dengan kewenangannya. (3) Persyaratan dan tatacara lisensi sebagaimana
dimaksud pada ayat (2) diatur dengan Peraturan Menteri.
- menyelesaikan audit lingkungan hidup. (2) Pada - 69 - (2) Pada saat berlakunya
Undang-Undang ini, dalam waktu paling lama 2 (dua) tahun, setiap usaha dan/atau
kegiatan yang telah memiliki izin usaha dan/atau kegiatan tetapi belum memiliki
UKL-UPL wajib membuat dokumen pengelolaan lingkungan hidup.
- Desa ini mempunyai ketinggian tanah 13 m dari permukaan laut, dengan curah hujan
110 mm/t ahun. Desa Parangtritis berada pada daerah dataran rendah pantai, suhu
udara rata -rata adalah 30 0C, dan memiliki pantang pantai sekitar 7 km seperti
terlihat pada Gambar 1
- source_sentence: Sebutkan 5 pidana tambahan bagi badan usaha S
sentences:
- adalah pembayaran/imbal yang diberikan oleh pemanfaat jasa lingkungan hidup kepada
penyedia jasa lingkungan hidup. Huruf f Yang dimaksud dengan “asuransi lingkungan
hidup” adalah asuransi yang memberikan perlindungan pada saat terjadi pencemaran
dan/atau kerusakan lingkungan hidup.
- c. perbaikan akibat tindak pidana; d. pewajiban mengerjakan apa yang dilalaikan
tanpa hak; dan/atau e. penempatan perusahaan di bawah pengampuan paling lama 3
(tiga) tahun.
- Bagaimana suhu udara rata-rata di Desa Parangtritis?
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: 0.9972401261329651
name: Cosine Accuracy
- task:
type: triplet
name: Triplet
dataset:
name: test
type: test
metrics:
- type: cosine_accuracy
value: 0.9944853186607361
name: Cosine Accuracy
---
# SentenceTransformer based on LazarusNLP/congen-indobert-lite-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [LazarusNLP/congen-indobert-lite-base](https://huggingface.co/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](https://huggingface.co/LazarusNLP/congen-indobert-lite-base) <!-- at revision e1f1ad81d3c620b317077edfaa5d1ce1b07b464b -->
- **Maximum Sequence Length:** 32 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **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': 32, 'do_lower_case': False}) with Transformer model: 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:
```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("yosriku/exp_data_scale_3files")
# Run inference
sentences = [
'Sebutkan 5 pidana tambahan bagi badan usaha S',
'c. perbaikan akibat tindak pidana; d. pewajiban mengerjakan apa yang dilalaikan tanpa hak; dan/atau e. penempatan perusahaan di bawah pengampuan paling lama 3 (tiga) tahun.',
'Bagaimana suhu udara rata-rata di Desa Parangtritis?',
]
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
#### Triplet
* Datasets: `retrieval-validation` and `test`
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | retrieval-validation | test |
|:--------------------|:---------------------|:-----------|
| **cosine_accuracy** | **0.9972** | **0.9945** |
<!--
## 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: 3,801 training samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:--------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 9.2 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 29.83 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 5 tokens</li><li>mean: 26.91 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:--------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Apa yang harus dilakukan pada paraphrase? h? h</code> | <code>j. memberikan informasi palsu, menyesatkan, menghilangkan informasi, merusak informasi, atau memberikan keterangan yang tidak benar. (2) Ketentuan - 47 - (2) Ketentuan sebagaimana dimaksud pada ayat (1) huruf h memperhatikan dengan sungguhsungguh kearifan lokal di daerah masingmasing.</code> | <code>fungsi lingkungan hidup. Huruf c Yang dimaksud dengan “sistem lembaga keuangan ramah lingkungan hidup” adalah sistem lembaga keuangan yang menerapkan persyaratan perlindungan dan pengelolaan lingkungan hidup dalam kebijakan pembiayaan dan praktik sistem lembaga keuangan bank dan lembaga keuangan nonbank.</code> |
| <code>Penjelasan Pasal 25 Ayat 2 Pasal 26 dan Pasal 27 25 27 28 29 30 31 32 33 34 35</code> | <code>Kompensasi merupakan bentuk pertanggungjawaban peme rintah terhadap pengelolaan sampah di tempat pemrosesan ak hir yang berdampak negatif terhadap orang. Ayat (2) Cukup jelas. Ayat (3) Cukup jelas. Ayat (4) Cukup jelas. Pasal 26 Cukup jelas. Pasal 27 Cukup jelas.</code> | <code>Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari 1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0 ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat liburan seperli libur lebaran 2.</code> |
| <code>se Bagaimana status peraturan?</code> | <code>(2) Peraturan daerah yang diamanatkan Undang-Undang ini diselesaikan paling lama 3 (tiga) tahun terhitu ng sejak Undang-Undang ini diundangkan. Pasal 48 Pada saat berlakunya Undang-Undang ini semua peratu ran perundang-undangan yang berkaitan dengan pengelolaa n sampah yang telah ada tetap berlaku sepanjang tidak bertentangan dengan ketentuan dalam Undang-Undang i ni.</code> | <code>Sebutkan beberapa jenis destinasi wisata di Yogyakarta.</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Evaluation Dataset
#### Unnamed Dataset
* Size: 1,087 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 1000 samples:
| | anchor | positive | negative |
|:--------|:---------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 3 tokens</li><li>mean: 9.11 tokens</li><li>max: 29 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 30.03 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 27.32 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
| anchor | positive | negative |
|:---------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Penjelasan Pasal 15 Ayat 3 dan Pasal 16 17 18 dan</code> | <code>peningkatan jumlah penduduk miskin atau terancamnya keberlanjutan penghidupan sekelompok masyarakat; dan/atau g. peningkatan risiko terhadap kesehatan dan keselamatan manusia. Ayat (3) Cukup jelas. Pasal 16 Cukup jelas. Pasal 17 Cukup jelas</code> | <code>Jumlah pengunjung di Kawasan Wisata Pantai Parangtritis mencapai 9.870 orang/hari 1. Sedangkan, sampah yang dihasilkan oleh para wisatawan rata -rata 1,5 – 2,0 ton per hari pada hari biasa, dan bisa mencapai 20 ton sampah per hari pada saat liburan seperli libur lebaran 2.</code> |
| <code>Dari mana sumber pendanaan Tim Pelaksana?</code> | <code>Agar... Peraturan Presiden mi mulai berlaku pada tanggal diund angkan. Pasal 12 Pasal 11 (1) Pendanaan yang diperluk an untuk pelaksan aan tugas Tim Pelaksana dan Sekr etariat Tim Koordin asi Nasion al dibebankan kepada Anggaran Pendapatan dan Belanja Negara.</code> | <code>udara rata-rata adalah 300C. Desa ini berjarak 4 km dari pusat Kecamatan Kretek dan 13 km dari ibukota kabupaten Bantul.</code> |
| <code>Sebutkan kriteria dampak penting lanjutankan</code> | <code>b. luas wilayah penyebaran dampak; c. intensitas dan lamanya dampak berlangsung; d. banyaknya komponen lingkungan hidup lain yang akan terkena dampak; e. sifat kumulatif dampak; f. berbalik atau tidak berbaliknya dampak;</code> | <code>Di mana saya bisa menjual barang hasil daur ulang?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 128
- `per_device_eval_batch_size`: 128
- `learning_rate`: 2e-05
- `warmup_ratio`: 0.1
- `fp16`: True
- `load_best_model_at_end`: True
- `push_to_hub`: True
- `hub_model_id`: yosriku/exp_data_scale_3files
- `hub_private_repo`: True
#### 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`: 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`: 3
- `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
- `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`: True
- `resume_from_checkpoint`: None
- `hub_model_id`: yosriku/exp_data_scale_3files
- `hub_strategy`: every_save
- `hub_private_repo`: True
- `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`: proportional
</details>
### Training Logs
| Epoch | Step | Validation Loss | retrieval-validation_cosine_accuracy | test_cosine_accuracy |
|:-------:|:------:|:---------------:|:------------------------------------:|:--------------------:|
| 0.3333 | 5 | 4.0280 | 0.9899 | - |
| 0.6667 | 10 | 3.5771 | 0.9917 | - |
| 1.0 | 15 | 3.3357 | 0.9945 | - |
| 1.3333 | 20 | 3.1779 | 0.9963 | - |
| 1.6667 | 25 | 3.0681 | 0.9972 | - |
| 2.0 | 30 | 2.9869 | 0.9972 | - |
| 2.3333 | 35 | 2.9313 | 0.9972 | - |
| 2.6667 | 40 | 2.8983 | 0.9972 | - |
| **3.0** | **45** | **2.8862** | **0.9972** | **-** |
| -1 | -1 | - | - | 0.9945 |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.11.13
- Sentence Transformers: 4.1.0
- Transformers: 4.53.3
- PyTorch: 2.6.0+cu124
- Accelerate: 1.9.0
- Datasets: 4.1.1
- Tokenizers: 0.21.2
## 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",
}
```
#### 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.*
--> |