|
--- |
|
language: |
|
- it |
|
license: apache-2.0 |
|
library_name: sentence-transformers |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- dataset_size:10K<n<100K |
|
- loss:MatryoshkaLoss |
|
- loss:MultipleNegativesRankingLoss |
|
base_model: mixedbread-ai/mxbai-embed-large-v1 |
|
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 |
|
widget: |
|
- source_sentence: Chi è Shang-Chi? |
|
sentences: |
|
- Cosa è il fenghuang nella mitologia cinese? |
|
- Qual è il nome completo di Concordia? |
|
- Chi era il pontefice precedente a papa Paolo I? |
|
- source_sentence: Cosa ha studiato? |
|
sentences: |
|
- Cosa si è laureata in? |
|
- Cos'è Merge (database) e a cosa serve? |
|
- Cosa è il campionato austriaco di calcio? |
|
- source_sentence: Chi è Raffaello? |
|
sentences: |
|
- Chi è Luca Ferrante? |
|
- In quale provincia si trova Belveglio? |
|
- A cosa serve il muscolo platisma? |
|
- source_sentence: Chi è Gino Zappa? |
|
sentences: |
|
- Cosa caratterizza la spiaggia di Zapponeta? |
|
- In quale provincia si trova Cedegolo? |
|
- Cosa successe a Maria Stuarda in Inghilterra? |
|
- source_sentence: Chi è Olli Rehn? |
|
sentences: |
|
- Chi è Wolfgang Köhler? |
|
- A cosa serviva la Segrezia di Sicilia? |
|
- In quale provincia si trova Piancastagnaio? |
|
pipeline_tag: sentence-similarity |
|
model-index: |
|
- name: Mxbai embed large WikipediaQA-ita |
|
results: |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 1024 |
|
type: dim_1024 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.7705446953881192 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.893907762383754 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.9100398557601063 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9251281078003416 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.7705446953881192 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.29796925412791797 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.18200797115202125 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09251281078003418 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.7705446953881192 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.893907762383754 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.9100398557601063 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9251281078003416 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.8576889021040591 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.8350934411216243 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.8367122573177606 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 768 |
|
type: dim_768 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.7725374833934333 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8925792370468779 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.9078572784209528 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9234200037957867 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.7725374833934333 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.29752641234895927 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.18157145568419056 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09234200037957867 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.7725374833934333 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8925792370468779 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.9078572784209528 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9234200037957867 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.857587479524061 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.835545132204839 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.837226512733465 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 512 |
|
type: dim_512 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.7691212753843234 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8906813437084836 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.9049155437464415 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9219016891250712 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.7691212753843234 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.29689378123616117 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.18098310874928833 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09219016891250711 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.7691212753843234 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8906813437084836 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.9049155437464415 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9219016891250712 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.8549650354414362 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.8325906319382308 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.8342323605542143 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 256 |
|
type: dim_256 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.76352249003606 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8846080850256216 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8990320743974188 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.9163029037768078 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.76352249003606 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.2948693616752071 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1798064148794838 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.09163029037768078 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.76352249003606 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8846080850256216 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8990320743974188 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.9163029037768078 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.8491304362556197 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.8267004220553278 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.8284115096755067 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 128 |
|
type: dim_128 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.7508066046688177 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8732207249952553 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.887834503700892 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.905769595748719 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.7508066046688177 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.2910735749984184 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.17756690074017842 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.0905769595748719 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.7508066046688177 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8732207249952553 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.887834503700892 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.905769595748719 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.8375891042006807 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.8148449903147185 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.816758733511642 |
|
name: Cosine Map@100 |
|
- task: |
|
type: information-retrieval |
|
name: Information Retrieval |
|
dataset: |
|
name: dim 64 |
|
type: dim_64 |
|
metrics: |
|
- type: cosine_accuracy@1 |
|
value: 0.7242360979312963 |
|
name: Cosine Accuracy@1 |
|
- type: cosine_accuracy@3 |
|
value: 0.8518694249383185 |
|
name: Cosine Accuracy@3 |
|
- type: cosine_accuracy@5 |
|
value: 0.8700892009869046 |
|
name: Cosine Accuracy@5 |
|
- type: cosine_accuracy@10 |
|
value: 0.8864110836970962 |
|
name: Cosine Accuracy@10 |
|
- type: cosine_precision@1 |
|
value: 0.7242360979312963 |
|
name: Cosine Precision@1 |
|
- type: cosine_precision@3 |
|
value: 0.28395647497943943 |
|
name: Cosine Precision@3 |
|
- type: cosine_precision@5 |
|
value: 0.1740178401973809 |
|
name: Cosine Precision@5 |
|
- type: cosine_precision@10 |
|
value: 0.08864110836970963 |
|
name: Cosine Precision@10 |
|
- type: cosine_recall@1 |
|
value: 0.7242360979312963 |
|
name: Cosine Recall@1 |
|
- type: cosine_recall@3 |
|
value: 0.8518694249383185 |
|
name: Cosine Recall@3 |
|
- type: cosine_recall@5 |
|
value: 0.8700892009869046 |
|
name: Cosine Recall@5 |
|
- type: cosine_recall@10 |
|
value: 0.8864110836970962 |
|
name: Cosine Recall@10 |
|
- type: cosine_ndcg@10 |
|
value: 0.8149109941576502 |
|
name: Cosine Ndcg@10 |
|
- type: cosine_mrr@10 |
|
value: 0.7910367844866776 |
|
name: Cosine Mrr@10 |
|
- type: cosine_map@100 |
|
value: 0.7932429789160508 |
|
name: Cosine Map@100 |
|
--- |
|
|
|
# Mxbai embed large WikipediaQA-ita |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [mixedbread-ai/mxbai-embed-large-v1](https://huggingface.co/mixedbread-ai/mxbai-embed-large-v1). 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 |
|
- **Base model:** [mixedbread-ai/mxbai-embed-large-v1](https://huggingface.co/mixedbread-ai/mxbai-embed-large-v1) <!-- at revision 2a9c9890e8c0513fcadf52f1b3dfb85d19b1b290 --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 1024 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
- **Training Dataset:** [wikipediaQA-ita](https://huggingface.co/datasets/ReDiX/wikipediaQA-ita) |
|
- **Language:** it |
|
- **License:** apache-2.0 |
|
|
|
|
|
### General Improvement |
|
|
|
| cosine_map@{dim} | Base Model | Finetuned Model | Improvement (%) | |
|
|------------------|------------|-----------------|-----------------| |
|
| dim 64 | 0.4419 | 0.7932 | 79.55 | |
|
| dim 128 | 0.5918 | 0.8168 | 37.97 | |
|
| dim 256 | 0.6686 | 0.8284 | 23.91 | |
|
| dim 512 | 0.7046 | 0.8342 | 18.42 | |
|
| dim 768 | 0.7147 | 0.8372 | 17.11 | |
|
| dim 1024 | 0.7250 | 0.8367 | 15.42 | |
|
|
|
|
|
### 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': 512, 'do_lower_case': False}) with Transformer model: BertModel |
|
(1): Pooling({'word_embedding_dimension': 1024, '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: |
|
|
|
```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("ReDiX/redix-embed-large-it") |
|
# Run inference |
|
sentences = [ |
|
'Chi è Olli Rehn?', |
|
'Chi è Wolfgang Köhler?', |
|
'A cosa serviva la Segrezia di Sicilia?', |
|
] |
|
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] |
|
``` |
|
|
|
<!-- |
|
### Direct Usage (Transformers) |
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Downstream Usage (Sentence Transformers) |
|
|
|
You can finetune this model on your own dataset. |
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
</details> |
|
--> |
|
|
|
<!-- |
|
### Out-of-Scope Use |
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
--> |
|
|
|
## Evaluation |
|
|
|
### Metrics |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_1024` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7705 | |
|
| cosine_accuracy@3 | 0.8939 | |
|
| cosine_accuracy@5 | 0.91 | |
|
| cosine_accuracy@10 | 0.9251 | |
|
| cosine_precision@1 | 0.7705 | |
|
| cosine_precision@3 | 0.298 | |
|
| cosine_precision@5 | 0.182 | |
|
| cosine_precision@10 | 0.0925 | |
|
| cosine_recall@1 | 0.7705 | |
|
| cosine_recall@3 | 0.8939 | |
|
| cosine_recall@5 | 0.91 | |
|
| cosine_recall@10 | 0.9251 | |
|
| cosine_ndcg@10 | 0.8577 | |
|
| cosine_mrr@10 | 0.8351 | |
|
| **cosine_map@100** | **0.8367** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_768` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7725 | |
|
| cosine_accuracy@3 | 0.8926 | |
|
| cosine_accuracy@5 | 0.9079 | |
|
| cosine_accuracy@10 | 0.9234 | |
|
| cosine_precision@1 | 0.7725 | |
|
| cosine_precision@3 | 0.2975 | |
|
| cosine_precision@5 | 0.1816 | |
|
| cosine_precision@10 | 0.0923 | |
|
| cosine_recall@1 | 0.7725 | |
|
| cosine_recall@3 | 0.8926 | |
|
| cosine_recall@5 | 0.9079 | |
|
| cosine_recall@10 | 0.9234 | |
|
| cosine_ndcg@10 | 0.8576 | |
|
| cosine_mrr@10 | 0.8355 | |
|
| **cosine_map@100** | **0.8372** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_512` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7691 | |
|
| cosine_accuracy@3 | 0.8907 | |
|
| cosine_accuracy@5 | 0.9049 | |
|
| cosine_accuracy@10 | 0.9219 | |
|
| cosine_precision@1 | 0.7691 | |
|
| cosine_precision@3 | 0.2969 | |
|
| cosine_precision@5 | 0.181 | |
|
| cosine_precision@10 | 0.0922 | |
|
| cosine_recall@1 | 0.7691 | |
|
| cosine_recall@3 | 0.8907 | |
|
| cosine_recall@5 | 0.9049 | |
|
| cosine_recall@10 | 0.9219 | |
|
| cosine_ndcg@10 | 0.855 | |
|
| cosine_mrr@10 | 0.8326 | |
|
| **cosine_map@100** | **0.8342** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_256` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7635 | |
|
| cosine_accuracy@3 | 0.8846 | |
|
| cosine_accuracy@5 | 0.899 | |
|
| cosine_accuracy@10 | 0.9163 | |
|
| cosine_precision@1 | 0.7635 | |
|
| cosine_precision@3 | 0.2949 | |
|
| cosine_precision@5 | 0.1798 | |
|
| cosine_precision@10 | 0.0916 | |
|
| cosine_recall@1 | 0.7635 | |
|
| cosine_recall@3 | 0.8846 | |
|
| cosine_recall@5 | 0.899 | |
|
| cosine_recall@10 | 0.9163 | |
|
| cosine_ndcg@10 | 0.8491 | |
|
| cosine_mrr@10 | 0.8267 | |
|
| **cosine_map@100** | **0.8284** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_128` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7508 | |
|
| cosine_accuracy@3 | 0.8732 | |
|
| cosine_accuracy@5 | 0.8878 | |
|
| cosine_accuracy@10 | 0.9058 | |
|
| cosine_precision@1 | 0.7508 | |
|
| cosine_precision@3 | 0.2911 | |
|
| cosine_precision@5 | 0.1776 | |
|
| cosine_precision@10 | 0.0906 | |
|
| cosine_recall@1 | 0.7508 | |
|
| cosine_recall@3 | 0.8732 | |
|
| cosine_recall@5 | 0.8878 | |
|
| cosine_recall@10 | 0.9058 | |
|
| cosine_ndcg@10 | 0.8376 | |
|
| cosine_mrr@10 | 0.8148 | |
|
| **cosine_map@100** | **0.8168** | |
|
|
|
#### Information Retrieval |
|
* Dataset: `dim_64` |
|
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) |
|
|
|
| Metric | Value | |
|
|:--------------------|:-----------| |
|
| cosine_accuracy@1 | 0.7242 | |
|
| cosine_accuracy@3 | 0.8519 | |
|
| cosine_accuracy@5 | 0.8701 | |
|
| cosine_accuracy@10 | 0.8864 | |
|
| cosine_precision@1 | 0.7242 | |
|
| cosine_precision@3 | 0.284 | |
|
| cosine_precision@5 | 0.174 | |
|
| cosine_precision@10 | 0.0886 | |
|
| cosine_recall@1 | 0.7242 | |
|
| cosine_recall@3 | 0.8519 | |
|
| cosine_recall@5 | 0.8701 | |
|
| cosine_recall@10 | 0.8864 | |
|
| cosine_ndcg@10 | 0.8149 | |
|
| cosine_mrr@10 | 0.791 | |
|
| **cosine_map@100** | **0.7932** | |
|
|
|
<!-- |
|
## Bias, Risks and Limitations |
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
--> |
|
|
|
<!-- |
|
### Recommendations |
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
--> |
|
|
|
## Training Details |
|
|
|
### Training Dataset |
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 94,833 training samples |
|
* Columns: <code>positive</code> and <code>anchor</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | positive | anchor | |
|
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| |
|
| type | string | string | |
|
| details | <ul><li>min: 60 tokens</li><li>mean: 505.04 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 19.99 tokens</li><li>max: 72 tokens</li></ul> | |
|
* Samples: |
|
| positive | anchor | |
|
|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| |
|
| <code>Cleopatra (nome)<br>. Varianti Ipocoristici: Clea, Cleo Maschili: Cleopatro Varianti in altre lingue Catalano: Cleòpatra, Cleopatra Ceco: Kleopatra Croato: Kleopatra Francese: Cléopâtre Ipocoristici: Cléa, Cléo Greco antico: Κλεοπάτρα (Kleopátra) Maschili: Κλεόπατρος (Kleópatros) Ipocoristici maschili: Κλωπᾶς (Klopâs), Κλεόπας (Kleópas) Inglese: Cleopatra Ipocoristici: Cleo Latino: Cleopatra Olandese: Cleopatra Polacco: Kleopatra Portoghese: Cleópatra Russo: Клеопатра (Kleopatra) Spagnolo: Cleopatra Tedesco: Kleopatra Ucraino: Клеопатра (Kleopatra) Origine e diffusione Deriva, tramite il latino Cleopatra, dal nome greco Κλεοπατρα (Kleopatra); si tratta di un composto di κλέος (kléos, "fama", "gloria") e πατρός (patrós), genitivo di πατήρ (patḗr, "padre"), quindi il significato complessivo può essere interpretato come "di padri gloriosi", "che ha gloria per la sua stirpe", "gloria del padre". Entrambi gli elementi sono comuni nell'onomastica greca: il primo è presente in Pericle, Empedocle, Temistocle, Tecla ed Ercole, il secondo in Antipatro, ed entrambi, disposti nell'ordine inverso, formano il nome Patroclo. Va però notato che alcune fonti riconducono il primo elemento a κλείς (kleís, "chiave"), quindi "chiave per la patria (terra dei padri)". Il nome era comune nell'antica Grecia ed è presente anche nella mitologia con alcune figure secondarie, fra cui Cleopatra, moglie di Fineo re dei Traci, ripudiata e imprigionata dal marito e poi liberata dagli Argonauti, e Cleopatra Alcione, figlia di Idas e moglie di Meleagro. Era inoltre tradizionale in varie dinastie reali macedoni ed elleniche, specie in quella tolemaica, nella quale le donne con questo nome sono numerosissime: tra queste va citata in particolare Cleopatra, l'ultima regina a governare l'Egitto, amante di Giulio Cesare e poi di Marco Antonio; la sua figura è presente in numerose opere artistiche, letterarie, musicali e cinematografiche, che l'hanno resa talmente famosa che l'associazione tra nome e regina è quasi automatica. Proprio a questa notorietà è dovuto l'utilizzo del nome in Italia, che è scarso ma non nullo: è attestato per un</code> | <code>Chi è stata l'ultima regina a governare l'Egitto con il nome Cleopatra?</code> | |
|
| <code>Caravino<br>Caravino (Caravin in piemontese) è un comune italiano di abitanti della città metropolitana di Torino in Piemonte. Geografia fisica Il paese è adagiato tra le colline del Canavese eporediese orientale, confinando a ovest con Strambino ed Ivrea, a est con Cossano Canavese e Settimo Rottaro, a sud con Vestignè e Borgomasino, a nord con Azeglio e Albiano d'Ivrea. Non è attraversato da nessun fiume; solo il piccolo Naviglio di Ivrea scorre 2 km verso ovest, mentre la Dora Baltea a circa 6 km più a ovest. Storia Sono stati ritrovati resti romani del III secolo. Il suo toponimo potrebbe derivare dal termine cavrinum, ovvero "caprino", indicando la locale pastorizia ovina; oppure da quadratum, essendo al centro geografico degli allora poteri tra le marche di Ivrea, Torino e la diocesi di Vercelli. Ultima ipotesi, da carra - vinum, un'antica unità di misura torinese per immagazzinare delle grandi quantità vino, corrispondente a 493,069 litri. Il toponimo comparve ufficialmente dall'XI secolo, come feudo eporediese dei conti Masino-Valperga, che si definirono sia discendenti diretti di Arduino, che fu a capo della tutta la Marca d'Ivrea, sia dei Conti di Pombia, già padroni di Borgomasino. Inoltre, fu proprio a partire dall'XI secolo che i benedettini portarono qui culto di San Giacomo, divenuto poi il patrono del paese, di cui si attesta anche la chiesetta in località Carpaneto, poi affrescata dal pittore Giacomino da Ivrea (del 1465), dipendente dalla Cella di Vestignè e dall'Abbazia di Fruttuaria di San Benigno Canavese. Il prestigio del borgo al di sotto del Castello seguì le stesse sorti di quest'ultimo, almeno fino alla prima metà del XIV secolo, allorquando i Valperga non riuscirono più a contrastare l'espansione del monferrino Facino Cane, che saccheggiò barbaramente il paese e altri comuni limitrofi nell'estate del 1397. A quest'ultimo succedettero i francesi del XV secolo</code> | <code>Il toponimo di Caravino potrebbe derivare da quale termine latino?</code> | |
|
| <code>Peć<br>Peć ( o Peja; ; ) è una città del Kosovo occidentale. Nel 2011 la città aveva una popolazione di abitanti, mentre l'intera municipalità aveva una popolazione di abitanti. In epoca medioevale, nel 1346, fu sede del Patriarcato della Chiesa ortodossa serba. Secoli dopo, nel 1899 vi fu fondata dalla popolazione locale albanese la Lega di Peja. Il monastero patriarcale di Peć è patrimonio dell'umanità dell'UNESCO, incluso nei Monumenti medievali in Kosovo. Geografia fisica Peć sorge nell'estremità nord-occidentale della piana di Metochia, ad est del gruppo montuoso delle Prokletije e della gola di Rugova. La città è attraversata da ovest verso est dal torrente Bistrica, affluente di destra del Drin Bianco. È situata ad 85 km ad ovest di Pristina e a 250 km a nord di Tirana. Etimologia In serbo peć significa letteralmente forno. Nei documenti della Repubblica di Ragusa la città viene talvolta menzionata come Forno. Durante la dominazione ottomana la città era conosciuta come İpek (ايپك). Altre denominazioni storiche sono in latino Pescium e in greco Episkion (Επισκιον). Storia Tra il 1180 ed il 1190 il principe Stefano Nemanja liberò l'area di Peć dalla presenza bizantina, dando il via così al dominio serbo sulla regione. Suo figlio Stefano Nemanjić cedette la città e il contado al monastero di Žiča nel 1220. Peć passò così sotto il diretto controllo degli arcivescovi serbi, che costruirono le loro residenze e le loro chiese. Nel 1346 il re serbo Stefan Dusan fece di Peć il centro della chiesa ortodossa serba. Peć fu conquistata dagli Ottomani nel 1455 e ribattezzata İpek. Nel 1513 divenne capoluogo del sangiaccato omonimo a sua volta suddiviso in quattro kaza. Nel corso dei quattro secoli di dominazione ottomana affluirono nella città numerosi immigrati turchi che le conferirono un aspetto tipicamente levantino. Nel 1899, su iniziativa di Haxhi</code> | <code>In quale regione del Kosovo si trova la città di Peć?</code> | |
|
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters: |
|
```json |
|
{ |
|
"loss": "MultipleNegativesRankingLoss", |
|
"matryoshka_dims": [ |
|
1024, |
|
768, |
|
512, |
|
256, |
|
128, |
|
64 |
|
], |
|
"matryoshka_weights": [ |
|
1, |
|
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`: True |
|
- `load_best_model_at_end`: True |
|
- `optim`: adamw_torch_fused |
|
- `batch_sampler`: no_duplicates |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `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`: True |
|
- `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 |
|
|
|
</details> |
|
|
|
### Training Logs |
|
| Epoch | Step | Training Loss | dim_1024_cosine_map@100 | 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 | |
|
|:----------:|:-------:|:-------------:|:-----------------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:| |
|
| 0.0540 | 10 | 4.2802 | - | - | - | - | - | - | |
|
| 0.1080 | 20 | 2.7954 | - | - | - | - | - | - | |
|
| 0.1619 | 30 | 1.9067 | - | - | - | - | - | - | |
|
| 0.2159 | 40 | 1.7081 | - | - | - | - | - | - | |
|
| 0.2699 | 50 | 1.5103 | - | - | - | - | - | - | |
|
| 0.3239 | 60 | 1.4656 | - | - | - | - | - | - | |
|
| 0.3779 | 70 | 1.1453 | - | - | - | - | - | - | |
|
| 0.4318 | 80 | 1.046 | - | - | - | - | - | - | |
|
| 0.4858 | 90 | 1.0672 | - | - | - | - | - | - | |
|
| 0.5398 | 100 | 1.0838 | - | - | - | - | - | - | |
|
| 0.5938 | 110 | 0.9196 | - | - | - | - | - | - | |
|
| 0.6478 | 120 | 1.0043 | - | - | - | - | - | - | |
|
| 0.7018 | 130 | 0.961 | - | - | - | - | - | - | |
|
| 0.7557 | 140 | 0.9368 | - | - | - | - | - | - | |
|
| 0.8097 | 150 | 0.8182 | - | - | - | - | - | - | |
|
| 0.8637 | 160 | 0.8519 | - | - | - | - | - | - | |
|
| 0.9177 | 170 | 0.8221 | - | - | - | - | - | - | |
|
| 0.9717 | 180 | 0.7825 | - | - | - | - | - | - | |
|
| 0.9987 | 185 | - | 0.8359 | 0.8067 | 0.8223 | 0.8313 | 0.7678 | 0.8341 | |
|
| 1.0256 | 190 | 0.7459 | - | - | - | - | - | - | |
|
| 1.0796 | 200 | 0.9102 | - | - | - | - | - | - | |
|
| 1.1336 | 210 | 0.6666 | - | - | - | - | - | - | |
|
| 1.1876 | 220 | 0.6195 | - | - | - | - | - | - | |
|
| 1.2416 | 230 | 0.5526 | - | - | - | - | - | - | |
|
| 1.2955 | 240 | 0.5584 | - | - | - | - | - | - | |
|
| 1.3495 | 250 | 0.4987 | - | - | - | - | - | - | |
|
| 1.4035 | 260 | 0.3657 | - | - | - | - | - | - | |
|
| 1.4575 | 270 | 0.4 | - | - | - | - | - | - | |
|
| 1.5115 | 280 | 0.433 | - | - | - | - | - | - | |
|
| 1.5655 | 290 | 0.422 | - | - | - | - | - | - | |
|
| 1.6194 | 300 | 0.417 | - | - | - | - | - | - | |
|
| 1.6734 | 310 | 0.4105 | - | - | - | - | - | - | |
|
| 1.7274 | 320 | 0.3399 | - | - | - | - | - | - | |
|
| 1.7814 | 330 | 0.3976 | - | - | - | - | - | - | |
|
| 1.8354 | 340 | 0.3424 | - | - | - | - | - | - | |
|
| 1.8893 | 350 | 0.3839 | - | - | - | - | - | - | |
|
| 1.9433 | 360 | 0.3561 | - | - | - | - | - | - | |
|
| 1.9973 | 370 | 0.367 | 0.8371 | 0.8144 | 0.8272 | 0.8342 | 0.7861 | 0.8360 | |
|
| 2.0513 | 380 | 0.3259 | - | - | - | - | - | - | |
|
| 2.1053 | 390 | 0.3805 | - | - | - | - | - | - | |
|
| 2.1592 | 400 | 0.2883 | - | - | - | - | - | - | |
|
| 2.2132 | 410 | 0.2601 | - | - | - | - | - | - | |
|
| 2.2672 | 420 | 0.2648 | - | - | - | - | - | - | |
|
| 2.3212 | 430 | 0.2602 | - | - | - | - | - | - | |
|
| 2.3752 | 440 | 0.2084 | - | - | - | - | - | - | |
|
| 2.4291 | 450 | 0.1833 | - | - | - | - | - | - | |
|
| 2.4831 | 460 | 0.1941 | - | - | - | - | - | - | |
|
| 2.5371 | 470 | 0.2122 | - | - | - | - | - | - | |
|
| 2.5911 | 480 | 0.1851 | - | - | - | - | - | - | |
|
| 2.6451 | 490 | 0.199 | - | - | - | - | - | - | |
|
| 2.6991 | 500 | 0.2093 | - | - | - | - | - | - | |
|
| 2.7530 | 510 | 0.1944 | - | - | - | - | - | - | |
|
| 2.8070 | 520 | 0.1922 | - | - | - | - | - | - | |
|
| 2.8610 | 530 | 0.1948 | - | - | - | - | - | - | |
|
| 2.9150 | 540 | 0.2021 | - | - | - | - | - | - | |
|
| 2.9690 | 550 | 0.1938 | - | - | - | - | - | - | |
|
| 2.9960 | 555 | - | 0.8372 | 0.8159 | 0.8279 | 0.8353 | 0.7912 | 0.8379 | |
|
| 3.0229 | 560 | 0.1818 | - | - | - | - | - | - | |
|
| 3.0769 | 570 | 0.2642 | - | - | - | - | - | - | |
|
| 3.1309 | 580 | 0.1684 | - | - | - | - | - | - | |
|
| 3.1849 | 590 | 0.1645 | - | - | - | - | - | - | |
|
| 3.2389 | 600 | 0.1552 | - | - | - | - | - | - | |
|
| 3.2928 | 610 | 0.1541 | - | - | - | - | - | - | |
|
| 3.3468 | 620 | 0.1653 | - | - | - | - | - | - | |
|
| 3.4008 | 630 | 0.1068 | - | - | - | - | - | - | |
|
| 3.4548 | 640 | 0.1185 | - | - | - | - | - | - | |
|
| 3.5088 | 650 | 0.1418 | - | - | - | - | - | - | |
|
| 3.5628 | 660 | 0.1389 | - | - | - | - | - | - | |
|
| 3.6167 | 670 | 0.1448 | - | - | - | - | - | - | |
|
| 3.6707 | 680 | 0.1439 | - | - | - | - | - | - | |
|
| 3.7247 | 690 | 0.1328 | - | - | - | - | - | - | |
|
| 3.7787 | 700 | 0.1484 | - | - | - | - | - | - | |
|
| 3.8327 | 710 | 0.138 | - | - | - | - | - | - | |
|
| 3.8866 | 720 | 0.1515 | - | - | - | - | - | - | |
|
| 3.9406 | 730 | 0.146 | - | - | - | - | - | - | |
|
| **3.9946** | **740** | **0.1556** | **0.8367** | **0.8168** | **0.8284** | **0.8342** | **0.7932** | **0.8372** | |
|
|
|
* The bold row denotes the saved checkpoint. |
|
|
|
### Framework Versions |
|
- Python: 3.10.12 |
|
- Sentence Transformers: 3.0.0 |
|
- Transformers: 4.42.4 |
|
- PyTorch: 2.3.0+cu121 |
|
- Accelerate: 0.30.1 |
|
- Datasets: 2.19.1 |
|
- 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", |
|
} |
|
``` |
|
|
|
#### MatryoshkaLoss |
|
```bibtex |
|
@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 |
|
```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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## Glossary |
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Authors |
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Contact |
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
--> |
