exp_data_scale_3files / README.md

yosriku

Selesai. Test Accuracy: 0.9945

999d22b verified 3 months ago

preview code

raw

history blame contribute delete

25.5 kB

metadata

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 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}) 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:

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("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]

Evaluation

Metrics

Triplet

Datasets: retrieval-validation and test
Evaluated with TripletEvaluator

Metric	retrieval-validation	test
cosine_accuracy	0.9972	0.9945

Training Details

Training Dataset

Unnamed Dataset

Size: 3,801 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 9.2 tokens max: 32 tokens	min: 11 tokens mean: 29.83 tokens max: 32 tokens	min: 5 tokens mean: 26.91 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Apa yang harus dilakukan pada paraphrase? h? h`	`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.`	`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.`
`Penjelasan Pasal 25 Ayat 2 Pasal 26 dan Pasal 27 25 27 28 29 30 31 32 33 34 35`	`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.`	`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.`
`se Bagaimana status peraturan?`	`(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.`	`Sebutkan beberapa jenis destinasi wisata di Yogyakarta.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 1,087 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 9.11 tokens max: 29 tokens	min: 11 tokens mean: 30.03 tokens max: 32 tokens	min: 6 tokens mean: 27.32 tokens max: 32 tokens

Samples:

anchor	positive	negative
`Penjelasan Pasal 15 Ayat 3 dan Pasal 16 17 18 dan`	`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`	`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.`
`Dari mana sumber pendanaan Tim Pelaksana?`	`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.`	`udara rata-rata adalah 300C. Desa ini berjarak 4 km dari pusat Kecamatan Kretek dan 13 km dari ibukota kabupaten Bantul.`
`Sebutkan kriteria dampak penting lanjutankan`	`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;`	`Di mana saya bisa menjual barang hasil daur ulang?`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "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

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: 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

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

@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}
}