Selesai. Test Accuracy: 0.9945

999d22b verified 3 months ago

25.5 kB

	---
	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.
	-->