Static Embeddings with italian BERT uncased tokenizer finetuned on a subset of MMARCO

This is a sentence-transformers model trained on the mmarco dataset. It maps sentences & paragraphs to a 1024-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
Maximum Sequence Length: inf tokens
Output Dimensionality: 1024 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- mmarco
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): StaticEmbedding(
    (embedding): EmbeddingBag(31102, 1024, mode='mean')
  )
)

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("nickprock/static-similarity-mmarco3m-mrl-bert-base-italian-uncased")
# Run inference
sentences = [
    "chi ha promosso l'idea che, perseguendo il proprio interesse in un libero mercato, si sarebbe effettivamente lavorato per il bene comune?",
    "Nell'opera più influente di Smith, The Wealth of Nations, ha promosso l'idea che perseguendo il proprio interesse personale in un libero mercato, si sarebbe effettivamente lavorato per il bene comune. William Young",
    "Un'economia di mercato può consistere in vari tipi di cooperative, collettivi o agenzie statali autonome che acquistano e scambiano beni capitali nei mercati dei capitali, utilizzando un sistema di prezzi liberi per allocare beni capitali e lavoro. Il termine economia di libero mercato è talvolta usato come sinonimo di mercato economia, ma può anche riferirsi al laissez-faire o all'anarchismo del libero mercato. Le economie di mercato non presuppongono logicamente l'esistenza della proprietà privata nei mezzi di produzione.",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Triplet

Datasets: mmarco_dev and mmarco_test
Evaluated with TripletEvaluator

Metric	mmarco_dev	mmarco_test
cosine_accuracy	0.9812	0.9834

Training Details

Training Dataset

mmarco

Dataset: mmarco
Size: 39,780,811 training samples
Columns: query, positive, and negative

Approximate statistics based on the first 1000 samples:

	query	positive	negative
type	string	string	string
details	min: 10 characters mean: 39.06 characters max: 163 characters	min: 65 characters mean: 391.41 characters max: 1036 characters	min: 61 characters mean: 377.77 characters max: 1105 characters

Samples:

query	positive	negative
`di cosa è fatta la lingua?`	Lingua e gusto. La lingua è costituita da muscoli ricoperti da membrane mucose. Questi muscoli sono attaccati alla mascella inferiore e all'osso ioide, che si trova appena sopra la laringe e ancora i muscoli della lingua (è l'unico osso del corpo che non tocca nessun altro osso). più sotto. La lingua è costituita da muscoli ricoperti da membrane mucose. Questi muscoli sono attaccati alla mascella inferiore e all'osso ioide, che si trova appena sopra la laringe e ancora i muscoli della lingua (è l'unico osso del corpo che non tocca nessun altro osso).	`1 Mal di gola e ulcere della lingua e mal di lingua (10 cause) 2 Mal di gola e ulcere della lingua e sintomi della lingua (10 cause) 3 Mal di gola e ulcere della lingua e sintomi del viso (9 cause) Mal di gola e ulcere della lingua e sintomi della testa (9 cause )`
`dove si trova l'utero nel corpo di una donna?`	`L'utero è un organo riproduttivo femminile situato tra la vescica e il retto, nella zona pelvica. L'utero ha tre strati: il rivestimento interno (endometrio); lo strato muscolare medio (miometrio); e lo strato esterno (perimetrio).`	Panoramica sulle emorroidi. Le emorroidi sono vene dilatate situate nella parte inferiore del retto e dell'ano. Le vene si gonfiano a causa dell'aumento della pressione al loro interno, di solito da costipazione o diarrea profusa, e durante la gravidanza a causa della pressione dell'utero allargato. Le emorroidi interne si trovano nel rivestimento interno del retto e non possono essere percepite. Le vene si gonfiano a causa dell'aumento della pressione al loro interno, di solito da costipazione o diarrea profusa, e durante la gravidanza a causa della pressione dell'utero allargato. Le emorroidi interne si trovano nel rivestimento interno del retto e non possono essere percepite.
`costo medio del riccio`	`Un riccio grigio può costare da $ 180 a $ 250, mentre un Cinnicot può costare da $ 180 a $ 250. Un pigmeo africano può variare da $ 50 a $ 300. L'allevatore PogStarHedgehogs.com, ad esempio, vende diversi tipi di ricci che vanno da $ 150 a $ 200.`	Il costo medio totale (ATC) è anche chiamato costo medio o costo unitario. I costi totali medi sono un costo chiave nella teoria dell'impresa perché indicano l'efficienza con cui vengono utilizzate le risorse scarse. I costi variabili medi si trovano dividendo i costi variabili fissi totali per l'output. I costi totali medi sono un costo chiave nella teoria dell'impresa perché indicano l'efficienza con cui vengono utilizzate le risorse scarse. I costi variabili medi si ottengono dividendo i costi variabili fissi totali per l'output.

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        1024,
        768,
        512,
        256,
        128,
        64,
        32
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Evaluation Dataset

mmarco

Dataset: mmarco
Size: 39,780,811 evaluation samples
Columns: query, positive, and negative

Approximate statistics based on the first 1000 samples:

	query	positive	negative
type	string	string	string
details	min: 9 characters mean: 39.69 characters max: 196 characters	min: 77 characters mean: 396.0 characters max: 1167 characters	min: 82 characters mean: 379.98 characters max: 990 characters

Samples:

query	positive	negative
`la massoterapia aiuta per la neuropatia?`	`Il Foot Pain Center, specializzato nel trattamento della neuropatia periferica, fa molto affidamento sull'uso della massoterapia nel trattamento di questa condizione. La definizione tecnica del massaggio è l'uso della pressione su strutture corporee mirate come muscoli, tendini, nervi, legamenti, articolazioni o vasi linfatici.`	`Il numero ORI per il Consiglio di massoterapia è EDOH4600Z. Tuttavia, è necessario portare con sé il modulo di rilevamento delle impronte digitali al venditore. Se fai domanda online, c'è un modulo che devi stampare con il tuo numero ORI precompilato.`
`quanto è pericoloso juarez 2015`	Rio de Janeiro è la seconda città più grande del Brasile ed è un luogo molto comune da visitare per i turisti. Ma nonostante tutte queste cose, è considerata una delle città più pericolose al mondo nel 2015. Il traffico di droga e i crimini violenti sono al culmine in questa città. Ci sono stati molti tentativi di omicidio tra varie bande che hanno preso il controllo dell'intera città.ut, ci sono poche città al mondo che dovresti evitare di visitare a tutti i costi nel 2015. In questo articolo, elencheremo le 10 città più pericolose 2015.	`Lana Lang Lana può essere pericolosa se minacciata o sospettosa, come te! È compassionevole e se tiene a qualcuno, non scherzare con loro. Ti amerà o ti odierà, suona familiare? Ana può essere pericolosa se minacciata o sospettosa, come te! È compassionevole e se tiene a qualcuno, non scherzare con loro. Ti amerà o ti odierà, ti suona familiare?`
`a cosa serve un radar?`	Se gridi ciao, il suono potrebbe rimbalzare su di te da un oggetto di grandi dimensioni. Poi senti la tua voce che ritorna. La tua voce di ritorno si chiama eco. Radar e sonar sono dispositivi elettronici che utilizzano il principio di un'eco per rilevare e localizzare oggetti. Sia il radar che il sonar localizzano gli oggetti dall'eco di un segnale che viene rimbalzato sull'oggetto. Il radar utilizza le onde radio, che sono un tipo di energia elettromagnetica. Il sonar utilizza il principio dell'eco inviando onde sonore sott'acqua o attraverso il corpo umano per individuare gli oggetti. Le onde sonore sono un tipo di energia acustica. A causa del diverso tipo di energia utilizzata in radar e sonar, ognuno ha le proprie applicazioni.	`per METEO LOCALE: PROFONDITÀ NEVE: RADAR METEO LOCALE: MAPPA METEO STATO: Medford, MA Medford, MA neve Medford, MA radar MA mappa-o--o--o- 02155 02155 neve 02155 radar -o--o- MA MA neve`

Loss: MatryoshkaLoss with these parameters:

{
    "loss": "MultipleNegativesRankingLoss",
    "matryoshka_dims": [
        1024,
        768,
        512,
        256,
        128,
        64,
        32
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": -1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 2048
per_device_eval_batch_size: 2048
learning_rate: 0.2
num_train_epochs: 1
warmup_ratio: 0.1
bf16: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 2048
per_device_eval_batch_size: 2048
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 0.2
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
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: 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: 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}
tp_size: 0
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: None
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
include_for_metrics: []
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	mmarco_dev_cosine_accuracy	mmarco_test_cosine_accuracy
-1	-1	-	-	0.7376	-
0.0007	1	41.641	-	-	-
0.0683	100	20.789	8.6823	0.9036	-
0.1365	200	7.6202	5.9332	0.9340	-
0.2048	300	5.5177	4.6173	0.9495	-
0.2730	400	4.3551	3.8064	0.9593	-
0.3413	500	3.7185	3.3687	0.9653	-
0.4096	600	3.256	3.0356	0.9711	-
0.4778	700	2.9338	2.8374	0.9740	-
0.5461	800	2.7087	2.6892	0.9762	-
0.6143	900	2.5392	2.5313	0.9781	-
0.6826	1000	2.3883	2.3742	0.9805	-
0.7509	1100	2.2713	2.2511	0.9812	-
-1	-1	-	-	-	0.9834

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.5.0.dev0
Transformers: 4.50.0.dev0
PyTorch: 2.5.1+cu121
Accelerate: 1.2.1
Datasets: 3.3.1
Tokenizers: 0.21.0

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}
}

nickprock
/

static-similarity-mmarco3m-mrl-bert-base-italian-uncased

Static Embeddings with italian BERT uncased tokenizer finetuned on a subset of MMARCO

Model Details

Model Description

Model Sources

Full Model Architecture

Usage

Direct Usage (Sentence Transformers)

Evaluation

Metrics

Triplet

Training Details

Training Dataset

mmarco

Evaluation Dataset

mmarco

Training Hyperparameters

Non-Default Hyperparameters

All Hyperparameters

Training Logs

Framework Versions

Citation

BibTeX

Sentence Transformers

MatryoshkaLoss

MultipleNegativesRankingLoss

Model tree for nickprock/static-similarity-mmarco3m-mrl-bert-base-italian-uncased

Dataset used to train nickprock/static-similarity-mmarco3m-mrl-bert-base-italian-uncased

Evaluation results