metadata

base_model: PlanTL-GOB-ES/roberta-base-bne
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:512
  - loss:TripletLoss
widget:
  - source_sentence: >-
      Quin és el requisit per a la potència instal·lada de les instal·lacions de
      plaques solars en sòl urbà?
    sentences:
      - >-
        Permet comunicar les intervencions necessàries per executar una
        instal·lació/remodelació d’autoconsum amb energia solar fotovoltaica amb
        una potència instal·lada inferior a 100 kWp en sòl urbà consolidat.
      - Inferior a 100 kWp.
      - >-
        Aquesta bonificació tindrà caràcter pregat i s’aplicarà a la quota total
        si la resolució de la sol•licitud es realitza abans de la liquidació, en
        cas contrari es gestionarà la devolució de l’import pagat i bonificat.
  - source_sentence: Quins són els exemples d'obres que requereixen una llicència TIPUS B?
    sentences:
      - >-
        Ubicada al carrer de Port Alegre (Platja de Sant Sebastià), els artistes
        (dibuix, pintura, gravat i escultura) poden exposar i vendre les seves
        obres.
      - >-
        Col·locació de bastides, arrebossat, estucat i pintat de façanes, noves
        obertures, etc.
      - >-
        TIPUS B Col·locació de bastides a una alçada superior a PB + 1 PP o a
        més de 6,00 m Arrebossat, estucat i pintat de façanes que necessiten una
        bastida amb una alçada superior a PB + 1 PP o a més de 6,00 m.
  - source_sentence: >-
      Quin és el propòsit principal del tràmit de canvi de titular de la
      llicència de gual?
    sentences:
      - >-
        L'Ajuntament de Sitges atorga subvencions per a les activitats que
        realitzen les entitats del municipi que tinguin com a finalitat fomentar
        l’activitat física i esportiva al llarg de l’exercici pel qual es
        sol·licita la subvenció.
      - >-
        Aquest tràmit permet a la nova persona titular sol·licitar el canvi de
        nom d'una llicència de gual, sempre que no variïn la utilització ni les
        característiques de la llicència concedida prèviament, i s’acompleixen
        les ordenances vigents.
      - >-
        Permet el canvi de nom d'una llicència de gual sense variar la
        utilització ni les característiques.
  - source_sentence: Quin és el propòsit dels ajuts econòmics?
    sentences:
      - >-
        Aquest tràmit permet a la nova persona titular sol·licitar el canvi de
        nom d'una llicència de gual, sempre que no variïn la utilització ni les
        característiques de la llicència concedida prèviament, i s’acompleixen
        les ordenances vigents.
      - >-
        Ajuts econòmics destinats a reforçar les activitats econòmiques amb
        suspensió o limitació d’obertura al públic i per finançar les despeses
        de lloguer o hipoteca per empreses i/o establiments comercials
      - >-
        Reforçar les activitats econòmiques i finançar les despeses de lloguer o
        hipoteca.
  - source_sentence: Quin és el propòsit del Directori de la Vila?
    sentences:
      - >-
        Consulteu les dades i els horaris de funcionament de la instal·lació al
        Directori de la Vila.
      - >-
        Per consultar les dades i els horaris de funcionament de la
        instal·lació.
      - >-
        Aquelles persones que s'hagin inscrit a les estades esportives
        organitzades per l'Ajuntament de Sitges i que formin part d'una unitat
        familiar amb uns ingressos bruts mensuals, que una vegada dividits pel
        nombre de membres, siguin inferiors entre una i dues terceres parts de
        l'IPREM, poden sol·licitar una reducció de la quota d'aquestes
        activitats o l'aplicació de la corresponent tarifa bonificada establerta
        en les ordenances dels preus públics.

SentenceTransformer based on PlanTL-GOB-ES/roberta-base-bne

This is a sentence-transformers model finetuned from PlanTL-GOB-ES/roberta-base-bne. 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: PlanTL-GOB-ES/roberta-base-bne
Maximum Sequence Length: 512 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': 512, '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("adriansanz/SITGES_robertav1")
# Run inference
sentences = [
    'Quin és el propòsit del Directori de la Vila?',
    'Consulteu les dades i els horaris de funcionament de la instal·lació al Directori de la Vila.',
    'Per consultar les dades i els horaris de funcionament de la instal·lació.',
]
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 Dataset

Unnamed Dataset

Size: 512 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: 12 tokens mean: 25.79 tokens max: 56 tokens	min: 11 tokens mean: 64.52 tokens max: 143 tokens	min: 4 tokens mean: 19.73 tokens max: 79 tokens

Samples:

sentence_0	sentence_1	sentence_2
`Quin és el requisit de duració mínima per a obtenir la bonificació de la taxa?`	`Es concedirà una bonificació del 50 per cent de la quota de la Taxa quan es duguin a terme obres a les vies públiques, que tinguin una duració igual o superior a 1 mes i afectin directament als locals en que es realitzin activitats econòmiques.`	`1 mes`
`Quin és el document que cal aportar per a rebre els ajuts?`	`Aportació de documentació. Ajuts per la reactivació de petites empreses i persones autònomes donades d’alta al règim especial de treballadors autònoms (RETA) amb una antiguitat superior als cinc anys (COVID19)`	`La documentació.`
`Quin és el benefici de la inscripció en el Padró Municipal d'Habitants?`	`La inscripció en el Padró municipal conté com a obligatories les dades personals de Nom i Cognoms, Sexe, Nacionalitat, Lloc i data de naixement, Número de document d'identidad (DNI, NIE, Passaport), i Certificat o títol escolar o académic.`	`Té una informació actualitzada i correcta.`

Loss: TripletLoss with these parameters:

{
    "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
    "triplet_margin": 5
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 10
fp16: True
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 10
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: 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: 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
eval_on_start: False
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.1
Transformers: 4.42.4
PyTorch: 2.4.0+cu121
Accelerate: 0.32.1
Datasets: 2.21.0
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",
}

TripletLoss

@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification}, 
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}