README.md

metadata

base_model: BAAI/bge-base-en-v1.5
datasets: []
language:
  - en
library_name: sentence-transformers
license: apache-2.0
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_precision@10
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_recall@10
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:4173
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: >-
      Les respectives convocatòries determinaran les parades disponibles així
      com les seves característiques i descripció.
    sentences:
      - >-
        Quin és l'objectiu secundari dels ajuts per a la creació de noves
        empreses?
      - >-
        Qui és responsable de la resolució de la situació en un domini
        particular?
      - Quin és el paper de les convocatòries?
  - source_sentence: >-
      Cal revisar la informació i els terminis de la convocatòria específica de
      cada procés que trobareu a la Seu electrònica de l'Ajuntament de Sitges.
    sentences:
      - >-
        Quin és el paper de la Seu electrònica de l'Ajuntament de Sitges en un
        procés de selecció de personal?
      - >-
        Quin és l'objectiu principal de sol·licitar el certificat d'antiguitat i
        legalitat d'una finca?
      - >-
        Quin és el propòsit dels ajuts a la contractació laboral en relació amb
        l'ocupació?
  - source_sentence: >-
      Per a poder rebre les subvencions pel suport educatiu a les escoles
      públiques de Sitges, els beneficiaris han de presentar un projecte d'acció
      que compleixi els requisits establerts en la convocatòria corresponent.
    sentences:
      - Quin és el propòsit de la sol·licitud d'ajuts?
      - >-
        Quin és el paper de l'Ajuntament de Sitges en la Fira de la Vila del
        Llibre de Sitges?
      - >-
        Quin és el requisit per a poder rebre les subvencions pel suport
        educatiu a les escoles públiques de Sitges?
  - source_sentence: >-
      Posteriorment a l’obtenció de l’informe favorable, caldrà realitzar l’acte
      de comprovació en matèria d’incendis i procedir a efectuar la comunicació
      prèvia corresponent.
    sentences:
      - Quin és el paper de la comunicació prèvia en la prevenció d'incendis?
      - Quins són els requisits per a presentar una sol·licitud de subvenció?
      - Quins animals es consideren animals de companyia?
  - source_sentence: >-
      El termini per a la presentació de les sol·licituds de modificació del
      projecte o activitat subvencionat és de 15 dies naturals abans de la
      finalització del projecte o activitat.
    sentences:
      - >-
        Quin és el termini per a la presentació de les sol·licituds de
        modificació del projecte o activitat subvencionat?
      - Quins són els tres tipus de llicència d'obra?
      - Quin és el registre on es troben les dades d'inscripció?
model-index:
  - name: BGE base Financial Matryoshka
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 768
          type: dim_768
        metrics:
          - type: cosine_accuracy@1
            value: 0.0625
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.11637931034482758
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.1810344827586207
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.35560344827586204
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.0625
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.03879310344827586
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036206896551724134
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03556034482758621
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.0625
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.11637931034482758
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.1810344827586207
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.35560344827586204
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.17546345429803745
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.12245227832512329
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.1487513151351338
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 512
          type: dim_512
        metrics:
          - type: cosine_accuracy@1
            value: 0.0625
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.10991379310344827
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.17025862068965517
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.35560344827586204
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.0625
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.036637931034482756
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.03405172413793103
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03556034482758621
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.0625
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.10991379310344827
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.17025862068965517
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.35560344827586204
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.17281692680622274
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11932898877942
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.145505253139907
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 256
          type: dim_256
        metrics:
          - type: cosine_accuracy@1
            value: 0.05603448275862069
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.12284482758620689
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.1724137931034483
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.34051724137931033
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.05603448275862069
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.040948275862068964
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.034482758620689655
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03405172413793103
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.05603448275862069
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.12284482758620689
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.1724137931034483
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.34051724137931033
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.16797293983212122
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11677955665024647
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.14311504496457605
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 128
          type: dim_128
        metrics:
          - type: cosine_accuracy@1
            value: 0.05172413793103448
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.11422413793103449
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.18318965517241378
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.31896551724137934
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.05172413793103448
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.038074712643678156
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.036637931034482756
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.03189655172413793
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.05172413793103448
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.11422413793103449
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.18318965517241378
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.31896551724137934
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.15889833336121337
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.11119406814449927
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.1376499182467716
            name: Cosine Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: dim 64
          type: dim_64
        metrics:
          - type: cosine_accuracy@1
            value: 0.04525862068965517
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.10560344827586207
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.16594827586206898
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.30603448275862066
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.04525862068965517
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.035201149425287355
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.0331896551724138
            name: Cosine Precision@5
          - type: cosine_precision@10
            value: 0.030603448275862068
            name: Cosine Precision@10
          - type: cosine_recall@1
            value: 0.04525862068965517
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.10560344827586207
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.16594827586206898
            name: Cosine Recall@5
          - type: cosine_recall@10
            value: 0.30603448275862066
            name: Cosine Recall@10
          - type: cosine_ndcg@10
            value: 0.14903489989981042
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.10241516146688567
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.12594670041141745
            name: Cosine Map@100

BGE base Financial Matryoshka

This is a sentence-transformers model finetuned from BAAI/bge-base-en-v1.5. 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: BAAI/bge-base-en-v1.5
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity
• Language: en
• License: apache-2.0

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': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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): Normalize()
)

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/sitges2608")
# Run inference
sentences = [
    'El termini per a la presentació de les sol·licituds de modificació del projecte o activitat subvencionat és de 15 dies naturals abans de la finalització del projecte o activitat.',
    'Quin és el termini per a la presentació de les sol·licituds de modificació del projecte o activitat subvencionat?',
    "Quin és el registre on es troben les dades d'inscripció?",
]
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

Information Retrieval

• Dataset: dim_768
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0625
cosine_accuracy@3	0.1164
cosine_accuracy@5	0.181
cosine_accuracy@10	0.3556
cosine_precision@1	0.0625
cosine_precision@3	0.0388
cosine_precision@5	0.0362
cosine_precision@10	0.0356
cosine_recall@1	0.0625
cosine_recall@3	0.1164
cosine_recall@5	0.181
cosine_recall@10	0.3556
cosine_ndcg@10	0.1755
cosine_mrr@10	0.1225
cosine_map@100	0.1488

Information Retrieval

• Dataset: dim_512
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0625
cosine_accuracy@3	0.1099
cosine_accuracy@5	0.1703
cosine_accuracy@10	0.3556
cosine_precision@1	0.0625
cosine_precision@3	0.0366
cosine_precision@5	0.0341
cosine_precision@10	0.0356
cosine_recall@1	0.0625
cosine_recall@3	0.1099
cosine_recall@5	0.1703
cosine_recall@10	0.3556
cosine_ndcg@10	0.1728
cosine_mrr@10	0.1193
cosine_map@100	0.1455

Information Retrieval

• Dataset: dim_256
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.056
cosine_accuracy@3	0.1228
cosine_accuracy@5	0.1724
cosine_accuracy@10	0.3405
cosine_precision@1	0.056
cosine_precision@3	0.0409
cosine_precision@5	0.0345
cosine_precision@10	0.0341
cosine_recall@1	0.056
cosine_recall@3	0.1228
cosine_recall@5	0.1724
cosine_recall@10	0.3405
cosine_ndcg@10	0.168
cosine_mrr@10	0.1168
cosine_map@100	0.1431

Information Retrieval

• Dataset: dim_128
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0517
cosine_accuracy@3	0.1142
cosine_accuracy@5	0.1832
cosine_accuracy@10	0.319
cosine_precision@1	0.0517
cosine_precision@3	0.0381
cosine_precision@5	0.0366
cosine_precision@10	0.0319
cosine_recall@1	0.0517
cosine_recall@3	0.1142
cosine_recall@5	0.1832
cosine_recall@10	0.319
cosine_ndcg@10	0.1589
cosine_mrr@10	0.1112
cosine_map@100	0.1376

Information Retrieval

• Dataset: dim_64
• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.0453
cosine_accuracy@3	0.1056
cosine_accuracy@5	0.1659
cosine_accuracy@10	0.306
cosine_precision@1	0.0453
cosine_precision@3	0.0352
cosine_precision@5	0.0332
cosine_precision@10	0.0306
cosine_recall@1	0.0453
cosine_recall@3	0.1056
cosine_recall@5	0.1659
cosine_recall@10	0.306
cosine_ndcg@10	0.149
cosine_mrr@10	0.1024
cosine_map@100	0.1259

Training Details

Training Dataset

Unnamed Dataset

• Size: 4,173 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 8 tokens mean: 66.25 tokens max: 165 tokens	min: 12 tokens mean: 28.12 tokens max: 62 tokens

• Samples:

  positive	anchor
  La persona titular d'una llicència de vehicle lleuger per al servei públic (auto-taxi), en produïr-se un canvi de vehicle, ha de notificar a l'Ajuntament les dades del nou vehicle.	Quin és el propòsit de la notificació de les dades del nou vehicle?
  S'entén per garantia l'ingrés a la Tresoreria de l'Ajuntament d'una quantitat econòmica que garanteix el compliment d'una obligació adquirida amb aquest (garanties de concursos o licitacions, fraccionaments de tributs en via executiva, reposició de paviments per obres, etc.).	Què s'entén per garantia a l'Ajuntament de Sitges?
  L'ús d'espais del Centre Cultural Miramar per a la realització d'exposicions.	Quin és el centre cultural on es poden realitzar les exposicions d'art?

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• learning_rate: 2e-05
• num_train_epochs: 4
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• bf16: True
• tf32: False
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 16
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 16
• eval_accumulation_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: 4
• max_steps: -1
• lr_scheduler_type: cosine
• 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: True
• fp16: False
• fp16_opt_level: O1
• half_precision_backend: auto
• bf16_full_eval: False
• fp16_full_eval: False
• tf32: False
• 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_fused
• 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: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	dim_128_cosine_map@100	dim_256_cosine_map@100	dim_512_cosine_map@100	dim_64_cosine_map@100	dim_768_cosine_map@100
0.9771	8	-	0.1210	0.1384	0.1341	0.1002	0.1376
1.2137	10	7.5469	-	-	-	-	-
1.9466	16	-	0.136	0.1404	0.1443	0.1249	0.1414
2.4275	20	4.0024	-	-	-	-	-
2.9160	24	-	0.1388	0.1460	0.1446	0.1278	0.1436
3.6412	30	3.2149	-	-	-	-	-
3.8855	32	-	0.1376	0.1431	0.1455	0.1259	0.1488

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.1+cu121
• Accelerate: 0.34.0.dev0
• 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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning}, 
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}