metadata

base_model: sentence-transformers/all-MiniLM-L6-v2
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:1053
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: >-
      question: Radiateur électrique à inertie fluide pas cher disponible à
      Bastia ?  ----->query: query=radiateur électrique inertie
      fluide&sort=price-asc&context=298
    sentences:
      - >-
        question: Je recherche un pied de table disponible dans le magasin
        d'Ivry sur Seine.  ----->query: query=Pied de table&context=142
      - >-
        question: Peinture intérieure Luxens disponible dans le magasin de Vitry
        ?  ----->query: query=luxens peinture interieure&context=21
      - >-
        question: Radiateur disponible dans le magasin de Montauban ? 
        ----->query: query=Radiateur&context=189
  - source_sentence: 'question: Avez-vous des produits bio ?  ----->query: query=Bio'
    sentences:
      - >-
        question: Je cherche des parpaings creux disponibles dans le magasin de
        Pau.  ----->query: query=parpaing creux&context=41
      - >-
        question: Je recherche des profilés disponibles dans le magasin de
        Bordeaux.  ----->query: query=profilé&context=37
      - >-
        question: Avez-vous des supports collecteurs disponibles dans le magasin
        de Strasbourg ?  ----->query: query=Support collecteur&context=40
  - source_sentence: >-
      question: Donnez-moi les pieds de table les moins chers disponibles dans
      le magasin de Thoiry.  ----->query: query=pieds
      table&sort=price-asc&context=167
    sentences:
      - >-
        question: Je cherche des pieds pour meuble.  ----->query: query=Pieds
        meuble
      - >-
        question: J'ai besoin d'enduit de rebouchage pour un chantier, est-ce
        que vous en avez en stock dans le magasin d'Osny ?  ----->query:
        query=enduit de rebouchage&context=23
      - >-
        question: Avez-vous du mastic d'étanchéité disponible dans le magasin de
        Clermont Ferrand ?  ----->query: query=mastic d'etancheite&context=133
  - source_sentence: >-
      question: Donnez-moi les pieds de table les moins chers disponibles dans
      le magasin de Thoiry.  ----->query: query=pieds
      table&sort=price-asc&context=167
    sentences:
      - 'question: Je recherche du parquet.  ----->query: query=parket'
      - >-
        question: J'aimerais savoir si vous avez des pinces à dénuder dans le
        magasin de Cabries.  ----->query: query=pince a denuder&context=66
      - >-
        question: Parquet contrecollé pas cher dans le magasin de Nice. 
        ----->query: query=parquet contrecolle&sort=price-asc&context=6
  - source_sentence: >-
      question: Je cherche une scie dans le magasin de Dinard.  ----->query:
      query=Scie&context=178
    sentences:
      - 'question: Dalles pour l''extérieur  ----->query: query=dalle exterieur'
      - >-
        question: J'ai besoin d'une goulotte pour câble électrique, disponible
        dans le magasin de Vitry.  ----->query: query=goulotte pour cable
        electrique&context=21
      - >-
        question: J'aimerais savoir si vous avez des pinces à dénuder dans le
        magasin de Cabries.  ----->query: query=pince a denuder&context=66

SentenceTransformer based on sentence-transformers/all-MiniLM-L6-v2

This is a sentence-transformers model finetuned from sentence-transformers/all-MiniLM-L6-v2. It maps sentences & paragraphs to a 384-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/all-MiniLM-L6-v2
Maximum Sequence Length: 256 tokens
Output Dimensionality: 384 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': 256, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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})
  (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("yandac/embedding_model_search_api")
# Run inference
sentences = [
    'question: Je cherche une scie dans le magasin de Dinard.  ----->query: query=Scie&context=178',
    "question: J'aimerais savoir si vous avez des pinces à dénuder dans le magasin de Cabries.  ----->query: query=pince a denuder&context=66",
    "question: J'ai besoin d'une goulotte pour câble électrique, disponible dans le magasin de Vitry.  ----->query: query=goulotte pour cable electrique&context=21",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

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

Training Details

Training Dataset

Unnamed Dataset

Size: 1,053 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string float
details
min: 20 tokens
mean: 45.16 tokens
max: 67 tokens

min: 17 tokens
mean: 43.69 tokens
max: 66 tokens

min: 0.0
mean: 0.24
max: 0.9

	sentence1	sentence2	label
type	string	string	float
details	min: 20 tokens mean: 45.16 tokens max: 67 tokens	min: 17 tokens mean: 43.69 tokens max: 66 tokens	min: 0.0 mean: 0.24 max: 0.9

Samples:

sentence1	sentence2	label
`question: Peinture pour bois extérieur disponible dans le magasin de Mundolsheim ? ----->query: query=Peinture bois extérieur&context=197`	`question: Avez-vous des plans de travail d'angle disponibles dans le magasin de Douai ? ----->query: query=plan de travail d'angle&context=183`	`0.0`
`question: Sac de granulés de bois disponible dans le magasin de Brive ? ----->query: query=sac granule bois&context=175`	`question: Avez-vous des 1/2 ronds disponibles dans le magasin de Compiegne ? ----->query: query=1/2 rond&context=78`	`0.0`
`question: Je cherche un rouleau d'étanchéité disponible dans le magasin de Cabries. ----->query: query=rouleau etancheite&context=66`	`question: Je recherche un pied de table disponible dans le magasin d'Ivry sur Seine. ----->query: query=Pied de table&context=142`	`0.0`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 1
num_train_epochs: 4.8
warmup_ratio: 0.1
fp16: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 1
per_device_eval_batch_size: 8
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: 1.0
num_train_epochs: 4.8
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: 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: proportional

Training Logs

Epoch	Step	Training Loss
1.5152	100	0.0071
0.4748	500	0.0076
0.9497	1000	0.0162
1.4245	1500	0.0164
1.8993	2000	0.0155
2.3742	2500	0.0112
2.8490	3000	0.0106
3.3238	3500	0.0064
3.7987	4000	0.0055
4.2735	4500	0.0043
4.7483	5000	0.0027
0.4748	500	0.0046
0.9497	1000	0.0102
1.4245	1500	0.0134
1.8993	2000	0.0133
2.3742	2500	0.0086
2.8490	3000	0.007
3.3238	3500	0.0049
3.7987	4000	0.0037
4.2735	4500	0.0031
4.7483	5000	0.0022

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.0.1
Transformers: 4.42.4
PyTorch: 2.3.1+cu118
Accelerate: 0.33.0
Datasets: 2.20.0
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",
}