---
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](https://www.SBERT.net) model finetuned from [PlanTL-GOB-ES/roberta-base-bne](https://huggingface.co./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](https://huggingface.co./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](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': 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:
```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("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](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"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