metadata

base_model: jhgan/ko-sroberta-multitask
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:88850
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: 또한 관광과 여가활동 그 자체만이 아니라 그러한
    sentences:
      - 첫째 주에 zoom을 통한 온라인 작품발표가 예정되어 있습니다
      - 균형계획 교재 장 실험계획법과 분산분석 일원분산분석 비균형계획 교재 장 실험계획법과 분산분석
      - >-
        농촌관광지의사회적변화 농촌경제의재구조화 강의소개및평가안내 국제관광과관광소비 관광과세계화 관광과여가에대한사회적접근 관광과여가산업
        관광의상품화 국가의개입과통제 임시공휴일 기말고사본
  - source_sentence: 고학년 수강생 학년과 독일어 수준이 상대적으로 높은 학생들을 대상으로 한다 교재
    sentences:
      - 변화할까 장 의미 변화 장 화행 장 함축 발화의 숨겨진 의미를
      - 제이콥스 원숭이 발 푸른 수염 앤절라 카터 피로 물든 방
      - 정의 여가의 역사적 변천 여가의 상대적 기준 레크리에이션의 개념 대상 활동
  - source_sentence: KMOOC비정형데이터분석소셜네트워크의이해및분석 본 과목은 소셜 네크워크에 대한
    sentences:
      - 논리적 사고는 추상적이고 논증적이기에 어렵고 복잡하다고 생각하기 쉽다
      - 조각 매체와 형식의 확장 부드러운 조각비정형 페미니즘 미학과 조각 세기 중반
      - Verkehr 계속 계속 기말시험 온라인 오픈북 시험 계속 Lektion Post und
  - source_sentence: 부모교육의 이론 원가족의 영향에 대한 통찰사티어 가족이해 가족 내 의사소통 가족
    sentences:
      - 유체 정역학II 부양체의 안정성 유체의 상대적 평형 유체 운동학II 손실수두와 동력
      - Im Restaurant 기말시험 준비 기말시험 결과발표 분반 온라인 테스트 참여 필수
      - 과정 속에서 파악하여 글로벌화에 대한 통찰력과 분석력을 기른다
  - source_sentence: 지급 건강보험급여 현물급여와 현금급여 노인장기요양제도 노인장기요양보험의 개요 과제 건강보험의 이론과 실제
    sentences:
      - 육체의 탄생 권한솔 년대 조선인 실업학교
      - 이론 소개 이태용 온라인 강의 인장 실험 이태용 장소 공학관 B
      - 세기 마드리갈과 세속노래 프랑스 독일 영국 기악음악의

SentenceTransformer based on jhgan/ko-sroberta-multitask

This is a sentence-transformers model finetuned from jhgan/ko-sroberta-multitask. 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: jhgan/ko-sroberta-multitask
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 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': 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:

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("jh8416/my_ewha_model_2024_1")
# Run inference
sentences = [
    '지급 건강보험급여 현물급여와 현금급여 노인장기요양제도 노인장기요양보험의 개요 과제 건강보험의 이론과 실제',
    '이론 소개 이태용 온라인 강의 인장 실험 이태용 장소 공학관 B',
    '육체의 탄생 권한솔 년대 조선인 실업학교',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 88,850 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 3 tokens
mean: 19.41 tokens
max: 55 tokens

min: 4 tokens
mean: 19.93 tokens
max: 53 tokens

	sentence_0	sentence_1
type	string	string
details	min: 3 tokens mean: 19.41 tokens max: 55 tokens	min: 4 tokens mean: 19.93 tokens max: 53 tokens

Samples:

sentence_0	sentence_1
`이는 마케팅 관리자가 사용하는 개념과 도구 그리고 그들이`	`텍스트 관련 부분 리딩 위험과 위기관리 오리엔테이션 위험과 위험 사회텍스트 관련`
`이는 마케팅 관리자가 사용하는 개념과 도구 그리고 그들이`	`프로세스 관리 파일 시스템 디스크 관리와 디스크 스케줄링 창립 주년 기념일`
`이는 마케팅 관리자가 사용하는 개념과 도구 그리고 그들이`	`I PenFin 제장 연금기금의 이자율리스크 관리 II PenFin 제장 연금기금의 자산관리`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 1
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
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: 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: 1
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
eval_on_start: False
eval_use_gather_object: False
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
0.0900	500	1.3127
0.1801	1000	0.9609
0.2701	1500	0.8853
0.3601	2000	0.812
0.4501	2500	0.7371
0.5402	3000	0.698
0.6302	3500	0.6728
0.7202	4000	0.6489
0.8102	4500	0.6113
0.9003	5000	0.5993
0.9903	5500	0.5864

Framework Versions

Python: 3.12.0
Sentence Transformers: 3.0.1
Transformers: 4.43.3
PyTorch: 2.4.0+cu121
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",
}

MultipleNegativesRankingLoss

@misc{henderson2017efficient,
    title={Efficient Natural Language Response Suggestion for Smart Reply}, 
    author={Matthew Henderson and Rami Al-Rfou and Brian Strope and Yun-hsuan Sung and Laszlo Lukacs and Ruiqi Guo and Sanjiv Kumar and Balint Miklos and Ray Kurzweil},
    year={2017},
    eprint={1705.00652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}