SentenceTransformer based on sentence-transformers/LaBSE

This is a sentence-transformers model finetuned from sentence-transformers/LaBSE. 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: sentence-transformers/LaBSE
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: 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})
)

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("josedossantos/urf-summary-labse")
# Run inference
sentences = [
    ' O projeto de lei reconhece o Carnaval do Município de Aracati-CE como manifestação da cultura nacional, destacando sua importância econômica e social. O evento é realizado em quatro arenas e atrai turistas de todo o país. A cidade de Aracati preserva suas raízes e tradições, e o projeto pode contribuir para a perpetuação da cultura do povo.',
    ' O projeto de lei reconhece o Carnaval de Nova Russas como manifestação da cultura nacional e incentiva a valorização e ampliação das manifestações culturais do Brasil. A celebração é uma importante fonte de renda econômica para o município e atrai turistas de todas as regiões. A lei foi criada em 2017 e incluiu o Carnaval de Nova Russas no Calendário Turístico Cultural do Estado do Ceará. O projeto tem importante relevância cultural e social e conta com o apoio dos ilustres pares para sua aprovação.',
    ' O projeto de lei do deputado Eliene Lima visa modificar o Decreto Lei 5.518/2005, que estabelece a admissão automática de diplomas de pós-graduação expedidos por universidades e faculdades estrangeiras para o mercado brasileiro. O projeto busca garantir a qualidade do ensino e a proteção dos jovens cidadãos, evitando a entrada de diplomas de qualidade duvidosa no mercado. Além disso, o projeto também busca preservar a soberania interna dos Estados Integrantes do Mercosul e evitar a ultrapassagem de limites legais.',
]
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: 10,962 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 int
details
min: 46 tokens
mean: 138.47 tokens
max: 377 tokens

min: 55 tokens
mean: 136.56 tokens
max: 358 tokens

0: ~49.70%
1: ~50.30%

	sentence_0	sentence_1	label
type	string	string	int
details	min: 46 tokens mean: 138.47 tokens max: 377 tokens	min: 55 tokens mean: 136.56 tokens max: 358 tokens	0: ~49.70% 1: ~50.30%

Samples:

sentence_0	sentence_1	label
O projeto de lei proíbe a realização de ligações telefônicas não identificáveis, com o objetivo de inibir a proliferação de ligações confidenciais com fins de telemarketing e cobrança, e também para reduzir os índices de criminalidade no país. O projeto mantém o dispositivo da Lei Geral de Telecomunicações que assegura ao usuário o direito à não divulgação do seu número telefônico, mas apenas em listas de assinantes. O projeto estabelece um prazo de noventa dias para que a norma proposta passe a vigorar, permitindo que as operadoras adaptem suas redes para adequação ao disposto na proposição.	O projeto de lei visa obrigar as operadoras de telefonia fixa e celular a informarem o código de acesso do usuário chamador em ligações telefônicas, sem ônus para o usuário receptor. A medida busca reforçar a segurança pública e facilitar as investigações e a prisão de criminosos que se escondem atrás da situação anônima da chamada não identificada. O projeto foi apresentado pelo deputado federal Alberto Fraga e justifica-se com a necessidade de combater a criminalidade que utiliza as telecomunicações para perpetrar crimes.	`1`
O projeto de lei nº 429/2020, apresentado pela deputada Tabata Amaral, visa permitir a ausência do empregado ao trabalho, sem prejuízo do salário, para participar de reuniões escolares de seus dependentes. A proposta busca contribuir para uma educação de qualidade no Brasil, garantindo o direito da criança, do adolescente e do jovem aos direitos fundamentais, como estabelecido na Constituição Federal de 1988. Ao permitir a ausência dos empregados para participar de reuniões escolares, a proposta busca aumentar a participação dos pais na evolução de seus filhos nas escolas, contribuindo para a prevenção de bullying e para o senso de valor e na auto-percepção da dignidade das crianças. Além disso, a proposta busca incentivar a soma dos esforços de todas as esferas para garantir os direitos fundamentais da criança, do adolescente e do jovem.	O projeto de lei proposto por Ricardo Izar PSD/SP, dispõe sobre o acompanhamento pedagógico de crianças e adolescentes na escola pelos pais ou responsáveis legais. O projeto alterará três leis importantes: Estatuto da Criança e do Adolescente, Lei de Diretrizes e Bases da Educação Nacional e Consolidação das Leis do Trabalho. O objetivo é contribuir para a promoção do acompanhamento efetivo e sistemático familiar da vida escolar dos filhos, para que os pais possam participar de forma mais ativa da educação de seus filhos. A proposta tem como base a ideia de que a participação dos pais na vida escolar dos filhos é fundamental para o seu desenvolvimento e aprendizado.	`1`
`o projeto de lei visa estabelecer regras para as campanhas de telemarketing ativo, com foco em garantir taxa máxima de abandono de ligações, evitar insistência nas campanhas e garantir o direito do consumidor de não ser importunado novamente por determinado período. Além disso, o projeto propõe a inserção de um novo artigo no código de defesa do consumidor para controlar o uso agressivo e indiscriminado dos discadores preditivos.`	O projeto de lei visa criar o Sistema Nacional de Bloqueio de Telemarketing, com o objetivo de proteger os usuários dos serviços de telefonia de chamadas indesejadas. O sistema será de acesso livre e gratuito por qualquer usuário dos serviços de telecomunicações e estarão disponíveis 24 horas por dia e 7 dias por semana. As empresas que executam atividade de atendimento ativo para consumidores por meio de serviço de telecomunicações terão obrigação de disponibilizar serviços de atendimento à distância para o acesso ao Sistema Nacional de Bloqueio de Telemarketing. A falta de cumprimento da norma pode sujeitar o infrator à pena de multa. A justificação do projeto é que as atividades de telemarketing estão cada vez mais presentes no Brasil e que o abuso nesse uso vem causando grande insatisfação aos cidadãos.	`0`

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 2
per_device_eval_batch_size: 2
num_train_epochs: 1
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
prediction_loss_only: True
per_device_train_batch_size: 2
per_device_eval_batch_size: 2
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: 1
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
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}
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
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: round_robin

Training Logs

Epoch	Step	Training Loss
0.0912	500	0.0266
0.1824	1000	0.0252
0.2737	1500	0.0221
0.3649	2000	0.0205
0.4561	2500	0.0189
0.5473	3000	0.0169
0.6386	3500	0.0156
0.7298	4000	0.0132
0.8210	4500	0.0138
0.9122	5000	0.0123

Framework Versions

Python: 3.10.14
Sentence Transformers: 3.0.0
Transformers: 4.39.3
PyTorch: 2.2.0
Accelerate: 0.30.1
Datasets: 2.14.4
Tokenizers: 0.15.1

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}

josedossantos
/

urf-summary-labse