--- base_model: klue/roberta-base datasets: [] language: [] library_name: sentence-transformers metrics: - pearson_cosine - spearman_cosine - pearson_manhattan - spearman_manhattan - pearson_euclidean - spearman_euclidean - pearson_dot - spearman_dot - pearson_max - spearman_max pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:574458 - loss:MultipleNegativesRankingLoss - loss:CosineSimilarityLoss widget: - source_sentence: 왜 토마스의 책은 캐논에서 제외되었는가? sentences: - 나토는 북한의 핵실험이 세계 평화에 중대한 위협이라고 말한다 - 왜 더 많은 예수의 말을 캐논에서 제외시키는가? - 마이크로소프트는 올해 초 개발자인 커넥틱스로부터 가상 PC를 인수했다. - source_sentence: 구글 네임 뉴모토롤라 이동성 CEO sentences: - 경찰 대변인인 에드워드 아리토낭 준장은 어제 또 다른 두 명이 자카르타에서, 또 다른 한 명은 자바 중부 마젤랑에서 체포되었다고 확인했다. - 구글은 데니스 우드사이드를 모토롤라 이동성 운영에 임명한다. - 한 소녀가 차에 뛰어오르고 있다. - source_sentence: 나는 이따금 TV를 켜서 세상 돌아가는 일을 따라갈 것이다. sentences: - 그래서 나는 TV를 켜고 화장실에서 다시 들을 수 있고, 너는 세상에서 무슨 일이 일어나고 있는지 계속 알고 있어. 그래서 나는 CNN이나 굿모닝 아메리카 같은 것을 할 거야. 하지만 가끔씩. - 두 남자가 등을 맞댄다. - 나는 침대에 누워 영화를 보기 위해 TV만 사용한다. - source_sentence: 이 이야기는 고통스러울 정도로 진부할 것이기 때문에 고통스러울 정도로 짧을 것이다. sentences: - 그 일은 매우 길고 흥미로울 것이다. - 음-흠, 여기엔 가격이 꽤 괜찮은 지역 탁아소가 있지만 수도권에서는 수표를 작성하는 동안 머리에 총을 겨누고 있어 - 이야기는 짧을 것이다. - source_sentence: 한 소녀가 책을 읽는다. sentences: - 온 동네가 겨울 날씨를 즐기며 아이들과 즐거운 시간을 보내고 있다. - 한 소녀가 교실에서 다른 학생에게 책을 읽고 있다. - 어린 소녀가 공 구덩이에서 논다. model-index: - name: SentenceTransformer based on klue/roberta-base results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: sts dev type: sts-dev metrics: - type: pearson_cosine value: 0.8729482428052353 name: Pearson Cosine - type: spearman_cosine value: 0.8746302830344509 name: Spearman Cosine - type: pearson_manhattan value: 0.870886028839716 name: Pearson Manhattan - type: spearman_manhattan value: 0.8737323612076164 name: Spearman Manhattan - type: pearson_euclidean value: 0.8714644437376398 name: Pearson Euclidean - type: spearman_euclidean value: 0.8741693303098689 name: Spearman Euclidean - type: pearson_dot value: 0.8560781025117317 name: Pearson Dot - type: spearman_dot value: 0.8532116975486153 name: Spearman Dot - type: pearson_max value: 0.8729482428052353 name: Pearson Max - type: spearman_max value: 0.8746302830344509 name: Spearman Max --- # SentenceTransformer based on klue/roberta-base This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [klue/roberta-base](https://huggingface.co/klue/roberta-base). 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:** [klue/roberta-base](https://huggingface.co/klue/roberta-base) - **Maximum Sequence Length:** 128 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': 128, '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("sentence_transformers_model_id") # Run inference sentences = [ '한 소녀가 책을 읽는다.', '한 소녀가 교실에서 다른 학생에게 책을 읽고 있다.', '어린 소녀가 공 구덩이에서 논다.', ] 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 #### Semantic Similarity * Dataset: `sts-dev` * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:-------------------|:-----------| | pearson_cosine | 0.8729 | | spearman_cosine | 0.8746 | | pearson_manhattan | 0.8709 | | spearman_manhattan | 0.8737 | | pearson_euclidean | 0.8715 | | spearman_euclidean | 0.8742 | | pearson_dot | 0.8561 | | spearman_dot | 0.8532 | | pearson_max | 0.8729 | | **spearman_max** | **0.8746** | ## Training Details ### Training Datasets #### Unnamed Dataset * Size: 568,640 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 | | | | * Samples: | sentence_0 | sentence_1 | sentence_2 | |:----------------------------------------|:-------------------------------------------------|:--------------------------------------| | 발생 부하가 함께 5% 적습니다. | 발생 부하의 5% 감소와 함께 11. | 발생 부하가 5% 증가합니다. | | 어떤 행사를 위해 음식과 옷을 배급하는 여성들. | 여성들은 음식과 옷을 나눠줌으로써 난민들을 돕고 있다. | 여자들이 사막에서 오토바이를 운전하고 있다. | | 어린 아이들은 그 지식을 얻을 필요가 있다. | 응, 우리 젊은이들 중 많은 사람들이 그걸 배워야 할 것 같아. | 젊은 사람들은 배울 필요가 없다. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### Unnamed Dataset * Size: 5,818 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 | float | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:---------------------------------------|:---------------------------------------|:--------------------------------| | 터키 대통령은 침착함을 호소한다. | 텍사스 하우스, 낙태법 임시 승인 | 0.0 | | 볼리우드는 루피 붕괴로 3분의 1의 비용 절감 | 볼리우드는 루피 위기가 물자 비용을 절감한다. | 0.8400000000000001 | | 남자가 종이 접시를 잘랐다. | 남자가 종이 접시를 자르고 있다. | 0.96 | * Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters: ```json { "loss_fct": "torch.nn.modules.loss.MSELoss" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `num_train_epochs`: 5 - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 8 - `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 - `num_train_epochs`: 5 - `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`: 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, '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 - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: round_robin
### Training Logs | Epoch | Step | Training Loss | sts-dev_spearman_max | |:------:|:----:|:-------------:|:--------------------:| | 0.3434 | 500 | 0.4227 | - | | 0.6868 | 1000 | 0.2996 | 0.8614 | | 1.0007 | 1457 | - | 0.8696 | | 1.0295 | 1500 | 0.2653 | - | | 1.3729 | 2000 | 0.1352 | 0.8671 | | 1.7163 | 2500 | 0.0866 | - | | 2.0007 | 2914 | - | 0.8735 | | 2.0591 | 3000 | 0.0671 | 0.8712 | | 2.4025 | 3500 | 0.0387 | - | | 2.7459 | 4000 | 0.0404 | 0.8746 | ### Framework Versions - Python: 3.11.9 - Sentence Transformers: 3.0.1 - Transformers: 4.41.2 - PyTorch: 2.2.2+cu121 - Accelerate: 0.31.0 - Datasets: 2.20.0 - Tokenizers: 0.19.1 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @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", } ``` #### MultipleNegativesRankingLoss ```bibtex @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} } ```