SentenceTransformer based on google-bert/bert-base-multilingual-cased

This is a sentence-transformers model finetuned from google-bert/bert-base-multilingual-cased on the all-nli-pair, all-nli-pair-class, all-nli-pair-score, all-nli-triplet, stsb and quora datasets. 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: google-bert/bert-base-multilingual-cased
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Datasets:
    • all-nli-pair
    • all-nli-pair-class
    • all-nli-pair-score
    • all-nli-triplet
    • stsb
    • quora
  • Language: ar

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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("Omartificial-Intelligence-Space/Arabic-base-all-nli-stsb-quora")
# Run inference
sentences = [
    'ما هي الدروس التي يمكن أن نتعلمها من أدولف هتلر؟',
    'ما هي الدروس التي يمكن أن نتعلمها من أدولف هتلر؟',
    'ما مدى قربنا من الحرب العالمية؟',
]
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]

Training Details

Training Datasets

all-nli-pair

  • Dataset: all-nli-pair
  • Size: 314,315 training samples
  • Columns: anchor and positive
  • Approximate statistics based on the first 1000 samples:
    anchor positive
    type string string
    details
    • min: 6 tokens
    • mean: 24.43 tokens
    • max: 88 tokens
    • min: 4 tokens
    • mean: 11.73 tokens
    • max: 45 tokens
  • Samples:
    anchor positive
    شخص على حصان يقفز فوق طائرة معطلة شخص في الهواء الطلق، على حصان.
    أطفال يبتسمون و يلوحون للكاميرا هناك أطفال حاضرون
    صبي يقفز على لوح التزلج في منتصف الجسر الأحمر. الفتى يقوم بخدعة التزلج
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

all-nli-pair-class

  • Dataset: all-nli-pair-class
  • Size: 942,069 training samples
  • Columns: premise, hypothesis, and label
  • Approximate statistics based on the first 1000 samples:
    premise hypothesis label
    type string string int
    details
    • min: 8 tokens
    • mean: 24.78 tokens
    • max: 72 tokens
    • min: 4 tokens
    • mean: 13.55 tokens
    • max: 55 tokens
    • 0: ~33.40%
    • 1: ~33.30%
    • 2: ~33.30%
  • Samples:
    premise hypothesis label
    شخص على حصان يقفز فوق طائرة معطلة شخص يقوم بتدريب حصانه للمنافسة 1
    شخص على حصان يقفز فوق طائرة معطلة شخص في مطعم، يطلب عجة. 2
    شخص على حصان يقفز فوق طائرة معطلة شخص في الهواء الطلق، على حصان. 0
  • Loss: SoftmaxLoss

all-nli-pair-score

  • Dataset: all-nli-pair-score
  • Size: 942,069 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 score
    type string string float
    details
    • min: 8 tokens
    • mean: 24.78 tokens
    • max: 72 tokens
    • min: 4 tokens
    • mean: 13.55 tokens
    • max: 55 tokens
    • min: 0.0
    • mean: 0.5
    • max: 1.0
  • Samples:
    sentence1 sentence2 score
    شخص على حصان يقفز فوق طائرة معطلة شخص يقوم بتدريب حصانه للمنافسة 0.5
    شخص على حصان يقفز فوق طائرة معطلة شخص في مطعم، يطلب عجة. 0.0
    شخص على حصان يقفز فوق طائرة معطلة شخص في الهواء الطلق، على حصان. 1.0
  • Loss: CoSENTLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_cos_sim"
    }
    

all-nli-triplet

  • Dataset: all-nli-triplet
  • Size: 557,850 training 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: 12.54 tokens
    • max: 72 tokens
    • min: 6 tokens
    • mean: 16.06 tokens
    • max: 59 tokens
    • min: 6 tokens
    • mean: 18.13 tokens
    • max: 70 tokens
  • Samples:
    anchor positive negative
    شخص على حصان يقفز فوق طائرة معطلة شخص في الهواء الطلق، على حصان. شخص في مطعم، يطلب عجة.
    أطفال يبتسمون و يلوحون للكاميرا هناك أطفال حاضرون الاطفال يتجهمون
    صبي يقفز على لوح التزلج في منتصف الجسر الأحمر. الفتى يقوم بخدعة التزلج الصبي يتزلج على الرصيف
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

stsb

  • Dataset: stsb at 7c6c4bd
  • Size: 5,749 training samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 score
    type string string float
    details
    • min: 5 tokens
    • mean: 11.68 tokens
    • max: 34 tokens
    • min: 5 tokens
    • mean: 11.44 tokens
    • max: 31 tokens
    • min: 0.0
    • mean: 0.54
    • max: 1.0
  • Samples:
    sentence1 sentence2 score
    طائرة ستقلع طائرة جوية ستقلع 1.0
    رجل يعزف على ناي كبير رجل يعزف على الناي. 0.76
    رجل ينشر الجبن الممزق على البيتزا رجل ينشر الجبن الممزق على بيتزا غير مطبوخة 0.76
  • Loss: CoSENTLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_cos_sim"
    }
    

quora

  • Dataset: quora at 7d49308
  • Size: 10,000 training samples
  • Columns: anchor and positive
  • Approximate statistics based on the first 1000 samples:
    anchor positive
    type string string
    details
    • min: 7 tokens
    • mean: 19.69 tokens
    • max: 58 tokens
    • min: 6 tokens
    • mean: 20.15 tokens
    • max: 73 tokens
  • Samples:
    anchor positive
    علم التنجيم: أنا برج الجدي الشمس القمر والقبعة الشمسية... أنا برج الجدي الثلاثي (الشمس والقمر والصعود في برج الجدي) ماذا يقول هذا عني؟
    كيف أكون جيولوجياً جيداً؟ ماذا علي أن أفعل لأكون جيولوجياً عظيماً؟
    كيف أقرأ وأجد تعليقاتي على يوتيوب؟ كيف يمكنني رؤية كل تعليقاتي على اليوتيوب؟
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Evaluation Datasets

all-nli-triplet

  • Dataset: all-nli-triplet
  • Size: 6,584 evaluation samples
  • Columns: anchor, positive, and negative
  • Approximate statistics based on the first 1000 samples:
    anchor positive negative
    type string string string
    details
    • min: 5 tokens
    • mean: 25.81 tokens
    • max: 125 tokens
    • min: 4 tokens
    • mean: 12.09 tokens
    • max: 52 tokens
    • min: 5 tokens
    • mean: 13.35 tokens
    • max: 42 tokens
  • Samples:
    anchor positive negative
    امرأتان يتعانقان بينما يحملان حزمة إمرأتان يحملان حزمة الرجال يتشاجرون خارج مطعم
    طفلين صغيرين يرتديان قميصاً أزرق، أحدهما يرتدي الرقم 9 والآخر يرتدي الرقم 2 يقفان على خطوات خشبية في الحمام ويغسلان أيديهما في المغسلة. طفلين يرتديان قميصاً مرقماً يغسلون أيديهم طفلين يرتديان سترة يذهبان إلى المدرسة
    رجل يبيع الدونات لعميل خلال معرض عالمي أقيم في مدينة أنجليس رجل يبيع الدونات لعميل امرأة تشرب قهوتها في مقهى صغير
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

stsb

  • Dataset: stsb at 7c6c4bd
  • Size: 1,500 evaluation samples
  • Columns: sentence1, sentence2, and score
  • Approximate statistics based on the first 1000 samples:
    sentence1 sentence2 score
    type string string float
    details
    • min: 5 tokens
    • mean: 20.19 tokens
    • max: 53 tokens
    • min: 5 tokens
    • mean: 20.09 tokens
    • max: 54 tokens
    • min: 0.0
    • mean: 0.47
    • max: 1.0
  • Samples:
    sentence1 sentence2 score
    رجل يرتدي قبعة صلبة يرقص رجل يرتدي قبعة صلبة يرقص. 1.0
    طفل صغير يركب حصاناً. طفل يركب حصاناً. 0.95
    رجل يطعم فأراً لأفعى الرجل يطعم الفأر للثعبان. 1.0
  • Loss: CoSENTLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "pairwise_cos_sim"
    }
    

quora

  • Dataset: quora at 7d49308
  • Size: 1,000 evaluation samples
  • Columns: anchor and positive
  • Approximate statistics based on the first 1000 samples:
    anchor positive
    type string string
    details
    • min: 7 tokens
    • mean: 19.66 tokens
    • max: 73 tokens
    • min: 8 tokens
    • mean: 20.17 tokens
    • max: 96 tokens
  • Samples:
    anchor positive
    ما هو قرارك في السنة الجديدة؟ ما الذي يمكن أن يكون قراري للعام الجديد لعام 2017؟
    هل يجب أن أشتري هاتف آيفون 6 أو سامسونج غالاكسي إس 7؟ أيهما أفضل: الـ iPhone 6S Plus أو الـ Samsung Galaxy S7 Edge؟
    ما هي الاختلافات بين التجاوز والتراجع؟ ما الفرق بين التجاوز والتراجع؟
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
        "scale": 20.0,
        "similarity_fct": "cos_sim"
    }
    

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 128
  • num_train_epochs: 1
  • warmup_ratio: 0.1

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • prediction_loss_only: True
  • per_device_train_batch_size: 128
  • 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: 1.0
  • num_train_epochs: 1
  • 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
  • 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, '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_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss
0.0231 500 5.0061
0.0462 1000 4.7876
0.0693 1500 4.6618
0.0923 2000 4.7337
0.1154 2500 4.5945
0.1385 3000 4.7536
0.1616 3500 4.619
0.1847 4000 4.4761
0.2078 4500 4.4454
0.2309 5000 4.6376
0.2539 5500 4.5513
0.2770 6000 4.5619
0.3001 6500 4.3416
0.3232 7000 4.7372
0.3463 7500 4.5906
0.3694 8000 4.6546
0.3924 8500 4.2452
0.4155 9000 4.684
0.4386 9500 4.426
0.4617 10000 4.2539
0.4848 10500 4.3224
0.5079 11000 4.4046
0.5310 11500 4.4644
0.5540 12000 4.4542
0.5771 12500 4.6026
0.6002 13000 4.3519
0.6233 13500 4.5135
0.6464 14000 4.3318
0.6695 14500 4.4465
0.6926 15000 3.9692
0.7156 15500 4.2084
0.7387 16000 4.2217
0.7618 16500 4.2791
0.7849 17000 4.5962
0.8080 17500 4.5871
0.8311 18000 4.3271
0.8541 18500 4.1688
0.8772 19000 4.2081
0.9003 19500 4.2867
0.9234 20000 4.5474
0.9465 20500 4.5257
0.9696 21000 3.8461
0.9927 21500 4.1254

Framework Versions

  • Python: 3.9.18
  • Sentence Transformers: 3.0.1
  • Transformers: 4.40.0
  • PyTorch: 2.2.2+cu121
  • Accelerate: 0.26.1
  • Datasets: 2.19.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

@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}
}

CoSENTLoss

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}
Downloads last month
18
Safetensors
Model size
178M params
Tensor type
F32
·
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Model tree for Omartificial-Intelligence-Space/Arabic-base-all-nli-stsb-quora

Finetuned
(551)
this model

Datasets used to train Omartificial-Intelligence-Space/Arabic-base-all-nli-stsb-quora