metadata

base_model: klue/roberta-base
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:574418
  - loss:MultipleNegativesRankingLoss
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: 두 마리의 개가 해변을 달려 내려갔다.
    sentences:
      - '아프가니스탄 폭탄 공격으로 적어도 18명이 사망했다 : 관리들'
      - 해변에서 달리는 개 두 마리
      - 눈 속에서 노는 개 네 마리
  - source_sentence: 한 여성이 남자와 게임을 하고 있다.
    sentences:
      - 한 남자가 피아노를 치고 있다.
      - 기차 마당의 선로에 앉아 있는 기차
      - 에콰도르는 아직 어샌지의 망명을 결정하지 않았다.
  - source_sentence: 젊은 남자는 화려한 액세서리를 가지고 있다.
    sentences:
      - 다채로운 꽃무늬 리와 다채로운 팔찌를 든 청년이 깃발을 들고 있다.
      - 한 남자가 서핑 보드 위에 있다.
      - 화려한 옷을 입은 젊은이가 총을 들고 있다.
  - source_sentence: 그들은 서로 가까이 있지 않다.
    sentences:
      - >-
        그리고 나는 내 돈을 돌봐야 했다. 나는 내 자신의 생명보험에 지불하는 내 자신의 당좌예금 계좌를 가지고 있고, 내가 무슨
        뜻인지조차 모르는 많은 아이들을 알고 있다. 나는 그들에게 내가 내 생명보험에 지불한다고 말하고 그들의 입이 그냥 바닥에
        떨어진다.
      - 그들은 샤토와 매우 가깝다.
      - 그들은 샤토와 서로 어느 정도 떨어져 있다.
  - source_sentence: 딱딱한 모자를 쓴 남자가 건물 프레임 앞에 주차된 빨간 트럭의 침대를 쳐다본다.
    sentences:
      - 남자가 자고 있다.
      - >-
        2. 알코올문제의 규모와 다른 방법으로 치료를 받지 않을 수 있는 환자를 식별할 수 있는 응급부서의 능력을 감안할 때,
        자금조달기관은 ED의 알코올문제 연구에 높은 우선순위를 두어야 한다.
      - 한 남자가 트럭을 보고 있다.
model-index:
  - name: SentenceTransformer based on klue/roberta-base
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.8610601836184975
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8634197198921464
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.8544694872859289
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.8590618059127191
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.8548774854000663
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.8593350742997908
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.8331606248521055
            name: Pearson Dot
          - type: spearman_dot
            value: 0.8324300838050938
            name: Spearman Dot
          - type: pearson_max
            value: 0.8610601836184975
            name: Pearson Max
          - type: spearman_max
            value: 0.8634197198921464
            name: Spearman Max

SentenceTransformer based on klue/roberta-base

This is a sentence-transformers model finetuned from klue/roberta-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: klue/roberta-base
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 tokens
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': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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})
)

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 = [
    '딱딱한 모자를 쓴 남자가 건물 프레임 앞에 주차된 빨간 트럭의 침대를 쳐다본다.',
    '한 남자가 트럭을 보고 있다.',
    '남자가 자고 있다.',
]
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

Semantic Similarity

Dataset: sts-dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8611
spearman_cosine	0.8634
pearson_manhattan	0.8545
spearman_manhattan	0.8591
pearson_euclidean	0.8549
spearman_euclidean	0.8593
pearson_dot	0.8332
spearman_dot	0.8324
pearson_max	0.8611
spearman_max	0.8634

Training Details

Training Datasets

Unnamed Dataset

Size: 568,640 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 1000 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
details	min: 4 tokens mean: 19.18 tokens max: 128 tokens	min: 3 tokens mean: 18.31 tokens max: 93 tokens	min: 4 tokens mean: 14.58 tokens max: 54 tokens

Samples:

sentence_0	sentence_1	sentence_2
`발생 부하가 함께 5% 적습니다.`	`발생 부하의 5% 감소와 함께 11.`	`발생 부하가 5% 증가합니다.`
`어떤 행사를 위해 음식과 옷을 배급하는 여성들.`	`여성들은 음식과 옷을 나눠줌으로써 난민들을 돕고 있다.`	`여자들이 사막에서 오토바이를 운전하고 있다.`
`어린 아이들은 그 지식을 얻을 필요가 있다.`	`응, 우리 젊은이들 중 많은 사람들이 그걸 배워야 할 것 같아.`	`젊은 사람들은 배울 필요가 없다.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Unnamed Dataset

Size: 5,778 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 3 tokens
mean: 16.98 tokens
max: 63 tokens

min: 4 tokens
mean: 16.88 tokens
max: 76 tokens

min: 0.0
mean: 0.54
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 3 tokens mean: 16.98 tokens max: 63 tokens	min: 4 tokens mean: 16.88 tokens max: 76 tokens	min: 0.0 mean: 0.54 max: 1.0

Samples:

sentence_0	sentence_1	label
`다우존스 산업평균지수는 9011.53으로 98.32, 즉 약 1.1% 하락했다.`	`다우존스 산업평균지수는 9,011.53으로 98.32포인트 하락했다.`	`0.6799999999999999`
`미군 특수부대는 콜롬비아에서 두 번째로 큰 유전에서 원유를 운반하는 파이프라인을 보호하기 위해 이 지역의 군사기지에서 콜롬비아 군인들을 훈련시키고 있다.`	`미군 특수부대는 이 지역의 군사기지에서 콜롬비아 군인들을 훈련시켜 파이프라인을 보호하고 있다.`	`0.64`
`한 사람은 또한 영어/터키어 사전에서 난민이라는 단어를 지적했다.`	`한 남자는 영어-터키 사전을 휘두르고 "피난민"이라는 단어를 가리켰다.`	`0.76`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
num_train_epochs: 5
batch_sampler: no_duplicates
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 8
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_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: 5
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
batch_sampler: no_duplicates
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss	sts-dev_spearman_max
0.3458	500	0.4169	-
0.6916	1000	0.2952	0.8533
1.0007	1447	-	0.8581
1.0367	1500	0.2744	-
1.3824	2000	0.1415	0.8520
1.7282	2500	0.0886	-
2.0007	2894	-	0.8634

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.0.1
Transformers: 4.41.2
PyTorch: 2.2.2+cu121
Accelerate: 0.31.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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}
}