|
--- |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:532 |
|
- loss:MultipleNegativesRankingLoss |
|
base_model: firqaaa/indo-sentence-bert-base |
|
widget: |
|
- source_sentence: "Berikut adalah kueri pencarian yang ringkas:\n\n1. **\"Penumpukan\ |
|
\ lemak perut dan kesehatan\"** \n2. **\"Pengukuran jaringan adiposa subkutis\"\ |
|
**\n3. **\"Lemak perut indikator penyakit\"** \n\n\nSemoga membantu!\n" |
|
sentences: |
|
- waktu produktif pagi hari waktu produktif pagi hari adalah periode waktu di pagi |
|
hari ketika kamu merasa paling fokus, berenergi, dan termotivasi untuk menyelesaikan |
|
tugas. waktu produktif pagi hari adalah periode waktu di pagi hari ketika kamu |
|
merasa paling fokus, berenergi, dan termotivasi untuk menyelesaikan tugas. |
|
- miastenia gravis merupakan penyakit kelemahan otot sebagai akibat dari proses |
|
autoimun yang menyerang bagian ujung saraf yang terhubung ke otot, sehingga stimulasi |
|
dan respon antara saraf dan otot tidak berjalan dengan baik. miastenia gravis |
|
adalah suatu penyakit autoimun yang memengaruhi sistem saraf dan otot. pada miastenia |
|
gravis, sistem kekebalan tubuh menyerang dan merusak reseptor asetilkolin pada |
|
otot, yang berfungsi untuk mentransmisikan sinyal saraf ke otot. hal ini mengakibatkan |
|
kelemahan otot dan kelelahan yang berlebihan, terutama pada otot yang digunakan |
|
untuk aktivitas yang memerlukan kekuatan. |
|
- penumpukan lemak putih pada perut this measurement is used to evaluate body fat |
|
distribution and overall body composition, often serving as an indicator of metabolic |
|
health and risk for conditions like obesity, diabetes, and cardiovascular disease. |
|
subcutaneous adipose tissue measurement refers to the assessment of the layer |
|
of fat located just beneath the skin. |
|
- source_sentence: "Berikut beberapa kueri pencarian:\n\n1. **efek tiamin pada metabolisme**\n\ |
|
2. **vitamin b1 dan kesehatan jantung**\n3. **peran tiamin dalam tubuh** \n\n\n\ |
|
Semoga membantu! \U0001F60A \n" |
|
sentences: |
|
- kadar vitamin b1 metabolisme vitamin b1, atau tiamin, penting untuk metabolisme |
|
karbohidrat, lemak, dan protein, serta untuk kesehatan saraf dan kardiovaskular |
|
yang baik.<br /><br /> metabolisme vitamin b1, atau tiamin, penting untuk metabolisme |
|
karbohidrat, lemak, dan protein, serta untuk kesehatan saraf dan kardiovaskular |
|
yang baik.<br /><br /> |
|
- artritis psoriatik merupakan peradangan persendian pada individu dengan penyakit |
|
psoriasis, yaitu penyakit autoimun yang ditandai dengan plak kulit yang merah, |
|
tebal, dan bersisik keabuan. artritis psoriatik biasanya mengenai sendi pinggul, |
|
lulut, dan jari-jari, muncul sekitar 1-10 tahun setelah diagnosis psoriasis ditegakkan, |
|
namun beberapa kasus radang sendi dapat muncul mendahului kejadian psoriasis. |
|
artritis psoriatik adalah bentuk arthritis inflamasi yang berkaitan dengan psoriasis, |
|
menyebabkan nyeri, pembengkakan, dan kekakuan pada sendi, sering kali disertai |
|
dengan gejala kulit. |
|
- infeksi chlamydia merupakan infeksi menular seksual (ims) yang umum terjadi yang |
|
disebabkan oleh bakteri chlamydia trachomatis. infeksi ini dapat menyebabkan infeksi |
|
pada organ reproduksi, seperti leher rahim (servitis), saluran urin (uretritis), |
|
dan bagian akhir usus besar (proktitis). pada perempuan, infeksi ini dapat menyebabkan |
|
terjadinya nyeri panggul kronis, kehamilan ektopik, kemandulan, dan pelvic inflammatory |
|
disease (pid). infeksi chlamydia adalah infeksi bakteri yang disebabkan oleh bakteri |
|
chlamydia trachomatis. bakteri ini dapat menginfeksi saluran reproduksi pada pria |
|
dan wanita, serta dapat menyebabkan infeksi pada mata, tenggorokan, dan rektum. |
|
- source_sentence: "Berikut kueri pencarian trait/dna yang ringkas:\n\n1. **Miositis\ |
|
\ gejala**\n2. **Penyebab miositis**\n3. **Miositis autoimun** \n\n\nSemoga membantu!\ |
|
\ \n" |
|
sentences: |
|
- kolitis ulseratif merupakan salah satu penyakit yang termasuk ke dalam peradangan |
|
saluran pencernaan (inflammatory bowel disease). kolitis ulseratif ditandai dengan |
|
adanya peradangan berupa ulkus/tukak pada lapisan saluran cerna, umumnya terjadi |
|
pada saluran cerna bagian bawah, mulai dari usus besar, rektum, hingga anus. kolitis |
|
ulseratif adalah jenis penyakit radang usus kronis yang ditandai oleh peradangan |
|
dan pembentukan luka terbuka pada dinding usus besar. |
|
- miositis miositis adalah peradangan otot yang menyebabkan kelemahan, nyeri, dan |
|
pembengkakan, sering kali disebabkan oleh penyakit autoimun atau infeksi. miositis |
|
adalah peradangan otot yang menyebabkan kelemahan, nyeri, dan pembengkakan, sering |
|
kali disebabkan oleh penyakit autoimun atau infeksi. |
|
- "kanker prostat merupakan kelenjar yang terdapat pada sistem reproduksi pada laki-laki,\ |
|
\ terletak di bawah kandung kemih dan berfungsi untuk memproduksi cairan sebagai\ |
|
\ sumber nutrisi sperma. \n\nkanker prostat terbagi menjadi beberapa tipe,\ |
|
\ yaitu sebagai berikut : \n1. adenokarsinoma \n2. small cell carcinomas \n\ |
|
3. tumor neuroendokrin \n4. karsinoma sel transisi \n5. sarkoma kanker prostat\ |
|
\ merupakan salah satu jenis kanker, dimana terjadi pembentukan sel yang tidak\ |
|
\ normal dan tidak terkendali dalam bentuk sel malignan (kanker) pada prostat." |
|
- source_sentence: "Berikut kueri pencarian trait/dna yang ringkas:\n\n1. **Stroke\ |
|
\ pembuluh darah kecil**\n2. **Ischemic microstroke** \n3. **Arteri serebral mikro\ |
|
\ penyempitan**\n\n\nSemoga membantu! \n" |
|
sentences: |
|
- pembentukan selulit merupakan suatu kondisi dimana kulit terlihat bergelombang |
|
dan berkeriput akibat timbunan lemak mendorong keluar jaringan ikat di bawah kulit |
|
terutama di paha dan perut. selulit biasanya banyak ditemukan pada wanita hamil |
|
yang mengalami kenaikan berat badan drastis. pembentukan selulit adalah penumpukan |
|
lemak yang mendorong ke atas permukaan kulit, sementara jaringan ikat di bawahnya |
|
menahannya. |
|
- stroke pembuluh darah kecil merupakan gangguan aliran darah di arteri kecil dalam |
|
otak. kondisi ini hanya melukai bagian otak yang disuplai oleh pembuluh darah |
|
kecil, yang sering disebut sebagai wilayah vaskular arteri kecil. stroke pembuluh |
|
darah kecil atau disebut juga stroke iskemik mikro adalah jenis stroke yang terjadi |
|
ketika aliran darah ke otak terganggu akibat sumbatan atau penyempitan pada pembuluh |
|
darah kecil di otak. jenis stroke ini seringkali melibatkan arteri kecil yang |
|
disebut arteri serebral mikro. stroke pembuluh darah kecil cenderung memiliki |
|
dampak yang lebih kecil dibandingkan dengan stroke iskemik besar, tetapi tetap |
|
dapat menyebabkan kerusakan pada fungsi otak dan potensial mengakibatkan gejala |
|
yang serius.<br /> |
|
- 'respons terhadap analgesik opioid analgesik adalah istilah yang digunakan untuk |
|
golongan obat antinyeri. ada banyak jenis analgesik yang sering digunakan, salah |
|
satunya adalah golongan opioid. \n\n |
|
|
|
|
|
laporan ini menggunakan varian genetik yang lebih banyak hadir pada orang yang |
|
lebih responsif terhadap analgesik opioid sebagai acuan. analgesik opioid, seperti |
|
morfin dan oksikodon, bekerja pada sistem saraf pusat untuk mengurangi rasa sakit |
|
dengan mengikat reseptor spesifik, terutama reseptor mu-opioid, sehingga menghilangkan |
|
rasa sakit dan potensi efek samping.' |
|
- source_sentence: "Berikut kueri pencarian trait/dna yang ringkas:\n\n1. **Kadar\ |
|
\ GGT dan fungsi hati** \n2. **Fungsi GGT dalam tubuh manusia**\n3. **Peningkatan\ |
|
\ GGT darah penyebabnya**\n\n\nSemoga membantu! \U0001F60A\n" |
|
sentences: |
|
- "gaya hidup sedentari merupakan segala kegiatan yang dilakukan kecuali saat tidur\ |
|
\ dengan keluaran kalori <1.5 mets. aktivitas dengan keluaran kalori <1.5 mets\ |
|
\ adalah posisi duduk dan berbaring. \n\\n\\n\ngaya hidup sedentari adalah gaya\ |
|
\ hidup yang tidak aktif yang dapat meningkatkan risiko terjadinya penyakit kardiovaskular,\ |
|
\ diabetes mellitus tipe 2, penyakit muskuloskeletal dan gangguan psikologis seperti\ |
|
\ cemas dan depresi. gaya hidup sedentari merujuk pada pola kehidupan yang didominasi\ |
|
\ oleh aktivitas fisik yang minim atau kurang gerakan tubuh secara teratur." |
|
- "respons terhadap vaksin pertusis pertusis merupakan bakteri yang dapat menginfeksi\ |
|
\ saluran nafas dan jaringan paru-paru, mengakibatkan gejala seperti batuk yang\ |
|
\ kuat (batuk rejan). vaksin pertusis diberikan untuk mencegah terjadinya batuk\ |
|
\ rejan akibat infeksi dari bakteri pertusis. \\n\\n\n\n laporan ini menggunakan\ |
|
\ varian genetik yang lebih banyak hadir pada orang yang lebih responsif terhadap\ |
|
\ vaksin pertusis sebagai acuan. vaksin pertusis merangsang sistem kekebalan\ |
|
\ tubuh untuk memproduksi antibodi pelindung terhadap bordetella pertussis, bakteri\ |
|
\ penyebab batuk rejan, memberikan kekebalan dan mengurangi keparahan penyakit\ |
|
\ jika terjadi paparan." |
|
- kadar ggt ggt (gamma-glutamyl transferase) adalah enzim yang dapat ditemukan di |
|
berbagai bagian tubuh seperti paru-paru dan saluran empedu, tetapi enzim ini banyak |
|
ditemukan di hati. kadar ggt merupakan salah satu parameter yang digunakan untuk |
|
melihat fungsi hati. gamma-glutamyl transferase (ggt) adalah enzim yang ditemukan |
|
di hati yang bila kadarnya meningkat dalam darah, dapat mengindikasikan disfungsi |
|
hati atau saluran empedu. |
|
pipeline_tag: sentence-similarity |
|
library_name: sentence-transformers |
|
metrics: |
|
- cosine_accuracy |
|
- dot_accuracy |
|
- manhattan_accuracy |
|
- euclidean_accuracy |
|
- max_accuracy |
|
model-index: |
|
- name: SentenceTransformer based on firqaaa/indo-sentence-bert-base |
|
results: |
|
- task: |
|
type: triplet |
|
name: Triplet |
|
dataset: |
|
name: trait validation |
|
type: trait-validation |
|
metrics: |
|
- type: cosine_accuracy |
|
value: 1.0 |
|
name: Cosine Accuracy |
|
- type: dot_accuracy |
|
value: 0.0 |
|
name: Dot Accuracy |
|
- type: manhattan_accuracy |
|
value: 1.0 |
|
name: Manhattan Accuracy |
|
- type: euclidean_accuracy |
|
value: 1.0 |
|
name: Euclidean Accuracy |
|
- type: max_accuracy |
|
value: 1.0 |
|
name: Max Accuracy |
|
- task: |
|
type: triplet |
|
name: Triplet |
|
dataset: |
|
name: trait embedding |
|
type: trait_embedding |
|
metrics: |
|
- type: cosine_accuracy |
|
value: 1.0 |
|
name: Cosine Accuracy |
|
- type: dot_accuracy |
|
value: 0.0 |
|
name: Dot Accuracy |
|
- type: manhattan_accuracy |
|
value: 1.0 |
|
name: Manhattan Accuracy |
|
- type: euclidean_accuracy |
|
value: 1.0 |
|
name: Euclidean Accuracy |
|
- type: max_accuracy |
|
value: 1.0 |
|
name: Max Accuracy |
|
--- |
|
|
|
# SentenceTransformer based on firqaaa/indo-sentence-bert-base |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [firqaaa/indo-sentence-bert-base](https://huggingface.co/firqaaa/indo-sentence-bert-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:** [firqaaa/indo-sentence-bert-base](https://huggingface.co/firqaaa/indo-sentence-bert-base) <!-- at revision af8d649e60fbd85b6e1dee7649a749a83996304f --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 768 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
<!-- - **Training Dataset:** Unknown --> |
|
<!-- - **Language:** Unknown --> |
|
<!-- - **License:** Unknown --> |
|
|
|
### 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': 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 π€ Hub |
|
model = SentenceTransformer("agufsamudra/trait-embedding") |
|
# Run inference |
|
sentences = [ |
|
'Berikut kueri pencarian trait/dna yang ringkas:\n\n1. **Kadar GGT dan fungsi hati** \n2. **Fungsi GGT dalam tubuh manusia**\n3. **Peningkatan GGT darah penyebabnya**\n\n\nSemoga membantu! π\n', |
|
'kadar ggt ggt (gamma-glutamyl transferase) adalah enzim yang dapat ditemukan di berbagai bagian tubuh seperti paru-paru dan saluran empedu, tetapi enzim ini banyak ditemukan di hati. kadar ggt merupakan salah satu parameter yang digunakan untuk melihat fungsi hati. gamma-glutamyl transferase (ggt) adalah enzim yang ditemukan di hati yang bila kadarnya meningkat dalam darah, dapat mengindikasikan disfungsi hati atau saluran empedu.', |
|
'gaya hidup sedentari merupakan segala kegiatan yang dilakukan kecuali saat tidur dengan keluaran kalori <1.5 mets. aktivitas dengan keluaran kalori <1.5 mets adalah posisi duduk dan berbaring. \n\\n\\n\ngaya hidup sedentari adalah gaya hidup yang tidak aktif yang dapat meningkatkan risiko terjadinya penyakit kardiovaskular, diabetes mellitus tipe 2, penyakit muskuloskeletal dan gangguan psikologis seperti cemas dan depresi. gaya hidup sedentari merujuk pada pola kehidupan yang didominasi oleh aktivitas fisik yang minim atau kurang gerakan tubuh secara teratur.', |
|
] |
|
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] |
|
``` |
|
|
|
<!-- |
|
### 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 |
|
|
|
#### Triplet |
|
* Dataset: `trait-validation` |
|
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) |
|
|
|
| Metric | Value | |
|
|:-------------------|:--------| |
|
| cosine_accuracy | 1.0 | |
|
| dot_accuracy | 0.0 | |
|
| manhattan_accuracy | 1.0 | |
|
| euclidean_accuracy | 1.0 | |
|
| **max_accuracy** | **1.0** | |
|
|
|
#### Triplet |
|
* Dataset: `trait_embedding` |
|
* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) |
|
|
|
| Metric | Value | |
|
|:-------------------|:--------| |
|
| cosine_accuracy | 1.0 | |
|
| dot_accuracy | 0.0 | |
|
| manhattan_accuracy | 1.0 | |
|
| euclidean_accuracy | 1.0 | |
|
| **max_accuracy** | **1.0** | |
|
|
|
<!-- |
|
## 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: 532 training samples |
|
* Columns: <code>query</code>, <code>trait</code>, and <code>trait_negative</code> |
|
* Approximate statistics based on the first 532 samples: |
|
| | query | trait | trait_negative | |
|
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| |
|
| type | string | string | string | |
|
| details | <ul><li>min: 8 tokens</li><li>mean: 48.12 tokens</li><li>max: 99 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 78.99 tokens</li><li>max: 207 tokens</li></ul> | <ul><li>min: 15 tokens</li><li>mean: 79.99 tokens</li><li>max: 207 tokens</li></ul> | |
|
* Samples: |
|
| query | trait | trait_negative | |
|
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| <code>Berikut kueri pencarian yang ringkas:<br><br>1. **Fungsi kognitif** <br>2. **Proses mental manusia**<br>3. **Bagaimana cara otak berpikir**<br><br><br>Semoga membantu! <br></code> | <code>fungsi kognitif fungsi kognitif adalah istilah yang mengacu pada semua proses mental yang memungkinkan kita untuk berpikir, belajar, dan memahami dunia di sekitar kita. fungsi kognitif adalah istilah yang mengacu pada semua proses mental yang memungkinkan kita untuk berpikir, belajar, dan memahami dunia di sekitar kita.</code> | <code>batuk yang disebabkan penghambat ace (angiotensin-converting enzyme inhibitors) penghambat ace adalah salah satu jenis obat yang digunakan dalam pengobatan tekanan darah tinggi (hipertensi). penggunaan penghambat ace dapat menyebabkan efek samping berupa batuk. \n\n<br><br>laporan ini menggunakan varian genetik yang lebih banyak hadir pada orang yang mengalami efek samping terhadap penghambat ace merupakan acuan. batuk yang disebabkan oleh penghambat ace (inhibitor enzim pengubah angiotensin) adalah efek samping yang dapat terjadi sebagai respons terhadap obat-obatan tersebut, di mana penghambatan enzim tersebut dapat menyebabkan iritasi pada saluran udara, memicu batuk pada sebagian individu.</code> | |
|
| <code>Berikut kueri pencarian trait/dna tersebut:<br><br>1. **"Kemawasan diri dan model kepribadian lima besar"**<br>2. **"Ciri-ciri orang bertanggung jawab dan terorganisir"**<br>3. **"Pengembangan regulasi emosi dan pertumbuhan pribadi"** <br><br><br>Semoga membantu! π<br></code> | <code>kemawasan diri merupakan salah satu elemen dari lima besar model kepribadian dan model kepribadian lima besar yang ditandai dengan kecenderungan terorganisasi, bertanggung jawab dan pekerja keras, terarah pada tujuan dan mematuhi norma atau peraturan yang ada. kemawasan diri adalah kemampuan untuk memahami dan mengenali diri sendiri secara mendalam, memungkinkan pengembangan regulasi emosi dan pertumbuhan pribadi yang optimal.</code> | <code>henti jantung mendadak merupakan suatu kondisi dimana jantung tiba-tiba berhenti berdetak, dan penderita akan mengalami kematian jika tidak diberikan penanganan dalam hitungan menit. serangan jantung mendadak adalah suatu kondisi yang mengancam jiwa yang terjadi ketika jantung tiba-tiba berhenti berdetak, sehingga menyebabkan terhentinya aliran darah ke tubuh.<br /></code> | |
|
| <code>Berikut kueri pencarian trait/dna yang ringkas:<br><br>1. **sikap kooperatif**<br>2. **kepribadian ramah**<br>3. **fleksibel dalam negosiasi** <br><br><br>Semoga membantu! π <br></code> | <code>keramahan atau kemudahan untuk bersepakat merupakan salah satu elemen dari lima besar model kepribadian yang ditandai dengan adanya kecenderungan untuk bersikap kooperatif, tidak mementingkan diri sendiri, sopan, baik dan ramah. keramahan atau kemudahan untuk bersepakat merujuk pada sikap terbuka, ramah, dan fleksibel dalam menjalani proses perundingan atau kerjasama.</code> | <code>penyakit jantung koroner penyakit jantung koroner (pjk) adalah kondisi dimana pembuluh darah arteri koroner yang memasok darah ke jantung mengalami penyempitan atau penyumbatan, menyebabkan kurangnya pasokan darah ke jantung. penyakit jantung koroner (pjk) adalah kondisi dimana pembuluh darah arteri koroner yang memasok darah ke jantung mengalami penyempitan atau penyumbatan, menyebabkan kurangnya pasokan darah ke jantung.</code> | |
|
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: |
|
```json |
|
{ |
|
"scale": 20.0, |
|
"similarity_fct": "cos_sim" |
|
} |
|
``` |
|
|
|
### Evaluation Dataset |
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 114 evaluation samples |
|
* Columns: <code>query</code>, <code>trait</code>, and <code>trait_negative</code> |
|
* Approximate statistics based on the first 114 samples: |
|
| | query | trait | trait_negative | |
|
|:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| |
|
| type | string | string | string | |
|
| details | <ul><li>min: 5 tokens</li><li>mean: 47.66 tokens</li><li>max: 76 tokens</li></ul> | <ul><li>min: 16 tokens</li><li>mean: 81.01 tokens</li><li>max: 167 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 82.3 tokens</li><li>max: 201 tokens</li></ul> | |
|
* Samples: |
|
| query | trait | trait_negative | |
|
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| <code>Berikut kueri pencarian yang singkat dan seperti manusia:<br><br>1. **Panjang telomer & penuaan**<br>2. **Indikator penuaan berdasarkan telomere** <br>3. **Telomere memengaruhi regenerasi sel** <br><br><br>Semoga membantu! π <br></code> | <code>penuaan dan panjang telomere telomer adalah bagian paling ujung dari kromosom yang akan memendek seiring bertambahnya usia. telomer dapat dijadikan sebagai indikator proses penuaan dan kesehatan seseorang. penuaan terkait dengan panjang telomere, bagian ujung kromosom yang melibatkan kerusakan dan penurunan fungsi sel, mempengaruhi kemampuan sel untuk meregenerasi dan memainkan peran dalam proses penuaan.</code> | <code>urgensi negatif (negative urgency) urgensi negatif merupakan kecenderungan untuk bertindak gegabah ketika tertekan, yang ditandai dengan kecenderungan emosi negatif yang tinggi, kehati-hatian yang rendah, dan kepatuhan yang rendah. karena serangkaian karakteristik ini, urgensi negatif merupakan prediktor penting dari disfungsi eksternal. urgensi negatif merupakan kecenderungan untuk bertindak gegabah ketika tertekan, yang ditandai dengan kecenderungan emosi negatif yang tinggi, kehati-hatian yang rendah, dan kepatuhan yang rendah. karena serangkaian karakteristik ini, urgensi negatif merupakan prediktor penting dari disfungsi eksternal.</code> | |
|
| <code>Berikut kueri pencarian trait/dna yang ringkas:<br><br>1. **Pengertian kadar hematokrit** <br>2. **Fungsi kadar hematokrit**<br>3. **Kadar hematokrit dalam pemeriksaan darah**<br><br><br>Semoga membantu! <br></code> | <code>kadar hematokrit merupakan perbandingan jumlah eritrosit terhadap volume darah dalam sataun persen. kadar hematokrit digunakan sebagai salah satu parameter dalam pemeriksaan darah. tingkat hematokrit adalah ukuran proporsi sel darah merah terhadap total volume darah, yang menunjukkan kapasitas darah untuk membawa oksigen dan nutrisi.<br /></code> | <code>adhd merupakan gangguan kejiwaan yang paling banyak terjadi pada anak-anak (laki-laki > perempuan) dan ditandai dengan inatensi (kesulitan untuk fokus dalam mengerjakan sesuatu), hiperaktivitas (pergerakan berlebihan yang tidak sesuai dengan tempatnya), dan impulsivitas (melakukan tindakan yang terburu-buru tanpa memikirkannya terlebih dahulu). adhd, atau attention deficit hyperactivity disorder, adalah kondisi neurodevelopmental yang ditandai oleh pola-pola yang persisten dari ketidakfokusan, impulsivitas, dan hiperaktivitas yang dapat mempengaruhi fungsi sehari-hari.</code> | |
|
| <code>Berikut kueri pencarian trait/dna dengan maksimal 3 kata:<br><br>1. **Ketergantungan penghargaan**<br>2. **Kebutuhan pujian sosial**<br>3. **Pujian dan kepribadian** <br><br><br>Semoga membantu!<br></code> | <code>ketergantungan terhadap penghargaan merupakan salah satu model kepribadian yang ditandai dengan adanya kecenderungan untuk merespons secara nyata sinyal penghargaan, terutama sinyal verbal persetujuan sosial, dukungan sosial, dan sentimen. ketergantungan terhadap penghargaan merujuk pada kondisi psikologis seseorang yang mengalami keterikatan emosional atau kebutuhan yang mendalam terhadap pujian, pengakuan, atau bentuk penghargaan lainnya dari orang lain.</code> | <code>ritme sirkadian merupakan siklus 24 jam tubuh manusia yang memiliki peran penting dalam siklus bangun dan tidur. ritme sirkadian adalah pola tidur-bangun selama 24 jam sehari.<br><br />ini membantu mengontrol jadwal harian anda untuk tidur dan terjaga.</code> | |
|
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: |
|
```json |
|
{ |
|
"scale": 20.0, |
|
"similarity_fct": "cos_sim" |
|
} |
|
``` |
|
|
|
### Training Hyperparameters |
|
#### Non-Default Hyperparameters |
|
|
|
- `eval_strategy`: steps |
|
- `per_device_train_batch_size`: 16 |
|
- `per_device_eval_batch_size`: 16 |
|
- `learning_rate`: 2e-05 |
|
- `warmup_ratio`: 0.1 |
|
- `batch_sampler`: no_duplicates |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `overwrite_output_dir`: False |
|
- `do_predict`: False |
|
- `eval_strategy`: steps |
|
- `prediction_loss_only`: True |
|
- `per_device_train_batch_size`: 16 |
|
- `per_device_eval_batch_size`: 16 |
|
- `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`: 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`: 3 |
|
- `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`: 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`: 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 |
|
- `batch_sampler`: no_duplicates |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Training Logs |
|
| Epoch | Step | trait-validation_max_accuracy | trait_embedding_max_accuracy | |
|
|:------:|:----:|:-----------------------------:|:----------------------------:| |
|
| 2.8824 | 51 | 1.0 | 1.0 | |
|
|
|
|
|
### Framework Versions |
|
- Python: 3.12.3 |
|
- Sentence Transformers: 3.2.1 |
|
- Transformers: 4.47.0 |
|
- PyTorch: 2.5.1+cu124 |
|
- Accelerate: 1.1.1 |
|
- Datasets: 3.1.0 |
|
- Tokenizers: 0.21.0 |
|
|
|
## 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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## 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.* |
|
--> |