--- 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](https://www.SBERT.net) model finetuned from [jhgan/ko-sroberta-multitask](https://huggingface.co/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](https://huggingface.co/jhgan/ko-sroberta-multitask) - **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("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 | | | * 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](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 - `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 ```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} } ```