File size: 54,124 Bytes
628502a
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
---
base_model: intfloat/multilingual-e5-large
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@2
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_accuracy@100
- cosine_precision@1
- cosine_precision@2
- cosine_precision@5
- cosine_precision@10
- cosine_precision@100
- cosine_recall@1
- cosine_recall@2
- cosine_recall@5
- cosine_recall@10
- cosine_recall@100
- cosine_ndcg@10
- cosine_mrr@1
- cosine_mrr@2
- cosine_mrr@5
- cosine_mrr@10
- cosine_mrr@100
- cosine_map@100
- dot_accuracy@1
- dot_accuracy@2
- dot_accuracy@5
- dot_accuracy@10
- dot_accuracy@100
- dot_precision@1
- dot_precision@2
- dot_precision@5
- dot_precision@10
- dot_precision@100
- dot_recall@1
- dot_recall@2
- dot_recall@5
- dot_recall@10
- dot_recall@100
- dot_ndcg@10
- dot_mrr@1
- dot_mrr@2
- dot_mrr@5
- dot_mrr@10
- dot_mrr@100
- dot_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:43804
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: Nhờ bác  cho biết việc lựa chọn đóng đinh nội tủy  nẹp vít
    để kết hợp xương đòn dựa trên  sở nào ạ? Ca phẫu thuật thường kéo dài trong
    bao lâu? Bệnh nhân nằm viện mấy ngày?
  sentences:
  - ' Chào em, là bệnh mãn tính phải điều trị suốt đời, phải kiên nhẫn và kiên trì
    nên đôi khi lượng đường trong cơ thể không ổn định. Lúc đi khám xét nghiệm thì
    ổn do bản thân biết mai đi khám nên sẽ kiêng ăn, ăn ít... còn bệnh lâu dài nên
    trong ngày đôi khi thèm chút này hay thích ăn chút kia, quên uống thuốc, suy
    nghĩ, mất ngủ cũng làm đường không ổn định. Đường trong cơ thể lúc lên lúc xuống
    dễ đưa đến biến chứng. Em hay thấy bệnh nhân tiểu đường tháo khớp ngón chân, ngón
    tay, đôi khi tháo khớp gối, khớp háng, đây là do tê liệt hệ thần kinh nên khi
    va chạm bệnh nhân không phát hiện. Đến khi phát hiện thì đã nhiễm trùng nặng phải
    tháo khớp. Theo BS mẹ em có khả năng do biến chứng tiểu đường vì mẹ em bị bệnh
    khá lâu nên ít nhiều ảnh hưởng thần kinh bị tê liệt gây đau. Em nên nhớ dặn mẹ
    đi tái khám và điều trị cho thật ổn định nhé! Thân mến!'
  - ' Để lựa chọn phương pháp đóng đinh nội tủy hay nẹp vít cho bệnh nhân cần dựa
    vào nhiều yếu tố. Trong lòng tủy xương có một cái ống, nếu lòng tủy bệnh nhân
    nhỏ mà đường gãy không bị gãy thành nhiều mảnh thì nên lựa chọn phương pháp đóng
    đinh. Phương pháp này có nhược điểm dễ bị lộ phần đinh khi đinh vừa đóng, chưa
    chắc vào xương. Tuy nhiên, ưu điểm là khi đóng đinh, đường mổ sẽ nhỏ, đơn giản.
    Đối với nẹp vít, đường mổ dài hơn nhưng phần nắn chỉnh sẽ tuyệt đối, vững chắc
    hơn. Nhìn chung, giữa 2 phương pháp thời gian mổ không khác biệt nhau nhiều, từ
    30-45 phút sẽ hoàn thành cuộc phẫu thuật kết hợp xương. Tại bệnh viện Nhân dân
    115, sau khi bệnh nhân được làm phẫu thuật có thể xuất viện rất sớm trong vòng
    khoảng 3-5 ngày, tùy theo đường mổ lớn hay nhỏ. Giữa việc lựa chọn phẫu thuật
    hay bảo tồn, đinh nội tủy hay nẹp vít phụ thuộc vào lòng tủy của bệnh nhân và
    thói quen, sự đánh giá của phẫu thuật viên. Cá nhân tôi thường lựa chọn phương
    pháp phẫu thuật nẹp vít sẽ cho kết quả nắn chỉnh tốt, chắc hơn và bệnh nhân không
    bị biến chứng trồi đinh về sau. Thân mến.'
  - Chào em, Tình trạng người mệt mỏi, khó thở, tim đập nhanh xảy ra khi không gắng
    sức  thể do nhiều nguyên nhân, gồm tim mạch,  hấp, thần kinh cơ, tiêu hóa
    (chủ yếu  ống tiêu hóa trên), tâm lý, bệnh  nội tiết tố… Viêm dạ dày trào
    ngược  thể gây các triệu chứng này do dịch acid trào ngược từ dạ dày lên thực
    quản kích thích thần kinh tim. Mặt khác bệnh dạ dày  bệnh  thể tái phát, điều
    trị hết bệnh rồi thì bệnh vẫn  thể tái lại. Do đó, nếu em đã khám tim mạch 
     hấp bình thường, để biết  phải mình mệt mỏi do bệnh dạ dày gây ra hay không
    thì tốt nhất  em khám chuyên khoa nội tiêu hóa  điều trị trào ngược dạ dày
    thực quản thử, nếu triệu chứng cải thiện nhanh chóng thì chính hắn  nguyên nhân,
    em nhé.
- source_sentence: Tôi bị tình trạng nuốt nước miếng  cảm giác bị vướng  cổ, không
    đau rát, không ho sốt, ăn uống bình thường đã 1 ngày nay. Chỉ  nuốt nước miếng
      cảm giác vướng thôi, lỗ tai bên trái thì cảm giác ngứa nhẹ. Xin hỏi  bệnh
     vậy ạ?
  sentences:
  - "Em Lan thân mến, Hiện nay, xét nghiệm được xem là một xét nghiệm\r\nthường quy,\
    \ nên thai kỳ của em cũng rất cần được làm những xét nghiệm này mặc\r\ndù gia\
    \ đình em không có bệnh lý bất thường. Tuy nhiên, thai kỳ của em đã qua thời gian\
    \ làm xét nghiệm Double test, bây\r\ngiờ em phải chờ đến lúc thai được 16 – 18\
    \ tuần tuổi, làm xét nghiệm Triple test\r\nem nhé! Chúc em và bé khỏe mạnh!"
  - 'Trường hợp thoái hóa cột sống thắt lưng gây đau mỏi liên tục dù đã dùng thuốc
    giảm đau liều cao Chào em, Thoái hóa khớp, thoái hóa cột sống là tiến trình lão
    hóa không thể tránh khỏi của con người, đặc biệt có thể xảy ra sớm và nhanh hơn
    ở người nữ sau mãn kinh, sinh nở nhiều, suy dinh dưỡng hay ăn uống thiếu chất
    khoáng, lao động vất vả lúc còn trẻ. Trường hợp thoái hóa cột sống thắt lưng gây
    đau mỏi liên tục dù đã dùng thuốc giảm đau liều cao, đặc biệt là đau lan xuống
    hai chân, tê yếu hai chân thì cần chụp MRI cột sống để tầm soát thoát vị đĩa đệm
    chèn ép tủy sống. Trường hợp của em, mới phát hiện thoái hóa cột sống thắt lưng
    gần đây, cũng mới uống thuốc 1 tuần và không duy trì nữa, việc đau lưng vẫn còn
    âm ỉ nhưng không lan xuống hai chân thì chưa đến mức cần chụp MRI cột sống thắt
    lưng. Nhưng mà, em cần tích cực điều trị để bệnh thoái hóa cột sống thắt lưng
    không tiến triển nặng hơn. Bệnh này trị khỏi hoàn toàn là không thể, vì sinh lão
    bệnh tử không thể cải hoàn, nhưng mà việc điều trị tích cực sẽ giúp khống chế
    được bệnh, giảm đau và giảm tốc độ tiến triển của bệnh. Về việc sử dụng thuốc,
    dù là thuốc Tây hay thuốc Đông y, em cũng cần phải thăm khám bs ck cơ xương khớp
    (Tây y) hay ck y học cổ truyền (Đông y) để được kê thuốc phù hợp. các thuốc thường
    dùng là giảm đau, giãn cơ, bổ sung vi khoáng chất (canxi, vitamin D3, magie...).
    Bên cạnh đó, về phương pháp giảm đau hỗ trợ không dùng thuốc, em nên chú ý: -
    Chú ý thay đổi tư thế trong quá trình làm việc, không giữ mãi một tư thế trong
    nhiều giờ liền. Ngồi làm việc đúng tư thế để tránh các bệnh cột sống. - Vận động
    đúng cách, khi vác vật nặng không vặn cột sống. - Thường xuyên tập thể dục rèn
    luyện để cột sống vững chắc, cơ thể dẻo dai, bơi cũng được mà yoga là tốt nhất.
    - Ăn uống khoa học, xây dựng chế độ dinh dưỡng hợp lý, tăng cường nhóm thực phẩm
    giàu canxi, vitamin D, omega 3… giúp nâng cao độ chắc khỏe của đĩa đệm cũng như
    xương khớp. - Duy trì cân nặng bình thường, tránh để tăng cân quá mức. - Tư thế
    ngủ: nằm ngửa trên ván cứng hay nệm bông ép chặt, tránh nệm lò xo hay nệm cao
    su quá mềm, có thể đệm ở vùng khoeo làm co nhẹ khớp gối và khớp háng, nên nằm
    đầu thấp không gối sẽ tốt cho cột sống cổ. - Có thể thực hiện điều trị vật lý
    và các liệu pháp phản xạ: bao gồm phương pháp nhiệt như chườm nóng (túi nước,
    muối rang, cám rang, lá lốt, lá ngải cứu nóng); dùng các dòng điện tại khoa vật
    lý trị liệu, điều trị bằng laser; châm cứu, kéo cơ để hỗ trợ giảm đau cơ cạnh
    sống. Trân trọng!'
  - Chào bạn, Nuốt vướng  cổ thường gặp trong một số bệnh  viêm nhiễm hầu họng
    như viêm họng, viêm amidan mạn, trào ngược dạ dày thực quản, hội chứng chảy mũi
    sau… Đây   thể  triệu chứng đầu tiên báo hiệu một đợt bùng phát cấp tính
    của viêm nhiễm  hấp trên do triệu chứng mới chỉ xuất hiện 1 ngày. Bạn nên khám
    bác  Tai mũi họng để thăm khám trực tiếp, đánh giá   toa điều trị bạn nhé!
    Thân mến.
- source_sentence: Chào bác sĩ, em bị gãy xương gót, đã đóng đinh đến nay được gần
    5 tuần. Vậy 6 tuần em tháo đinh được chưa ạ?
  sentences:
  - ' Chào em, gồm 2 trị số, trị số lớn nhất gọi là huyết áp tâm thu, bình thường
    < 140 và > 90 mmHg; trị số thấp nhất gọi là huyết áp tâm trương, bình thường <
    90 và > 60 mmHg. Huyết áp có thể tăng khi căng thẳng, do lo lắng, do hội chứng
    áo choàng trắng (khi vào bv, khi gặp bác sĩ thì huyết áp cao), bệnh lý viêm nhiễm,
    do cafe, khi khó thở... nhìn chung là các stress đối với cơ thể. Như vậy, huyết
    áp ghi nhận ở những lúc cơ thể đang lo lắng, bồn chồn, có bệnh thì sẽ không phản
    ánh chính xác được huyết áp dao động bình thường của người bệnh. Do vậy em nên
    khám chuyên khoa tim mạch, bác sĩ sẽ thăm khám và làm xét nghiệm kiểm tra xem
    em có các dấu chứng của tăng huyết áp hay không (như dày thành tim, tiểu đạm,
    đo huyết áp 24 giờ...) để xác định em có tăng huyết áp hay không và điều trị thích
    hợp. Những triệu chứng hoa mắt, chóng mặt, đau đầu, đau 1 bên mắt, tiểu nhiều
    có thể là do bệnh tăng huyết áp gây ra (ảnh hưởng lên mạch máu não, lên thận...)
    hoặc là 1 bệnh lý khác như thiếu máu, rối loạn tiền đình, viêm nhiễm hệ thống,
    viêm mũi xoang, bệnh lý mạch máu não... (và tăng huyết áp chỉ là phản ứng của
    cơ thể khi có stress). Để tìm ra bệnh và giải quyết nỗi lo về bệnh, em nên đến
    bệnh viện để kiểm tra sức khỏe em nhé. Thân mến! '
  - ' Chào em, Thời điểm 6 tuần là quá sớm để rút đinh cố định xương gót (trừ trường
    hợp khung cố định xương bên ngoài). Tháo đinh vít kim loại chỉ bắt buộc thực hiện
    sớm trong những trường hợp bất thường như gãy vít, nhiễm trùng, khớp giả... gây
    ra các triệu chứng bất thường với bệnh nhân mà thôi. Em nên tái khám tại chuyên
    khoa Chấn thương Chỉnh hình để bác sĩ kiểm tra lại việc lành xương của em tốt
    chưa và dặn em lịch trình rút đinh phù hợp, em nhé. Thân mến.'
  - K dạ dày không điều trị tiên lượng sống khá ngắn Chào em, K dạ dày  ung thư
    dạ dày. Bệnh ung thư dạ dày  bệnh  ác tính   chỉ định phẫu thuật cắt khối
    u  cắt dạ dày khi còn  thể cắt được. Nếu đã phát hiện ung thư dạ dày  không
    điều trị phẫu thuật thì thời gian sống của bệnh nhân trung bình  6 tháng đến
    1 năm tùy loại ung thư dạ dày, khi ung thư tiến triển di căn  thể gây nhiều
    đau đớn hơn. Hiện tại chị em đang bị suy nhược  thể nhiều, không ăn uống được,
    đau nhiều do ung thư dạ dày   chỉ định vào bệnh viện nằm điều trị luôn rồi,
    chứ không thể nào lấy thuốc  không tới phòng khám được đâu.  bệnh viện chị
    em sẽ được truyền dịch, chích thuốc, nâng thể trạng lên rồi mới tính đến chuyện
    điều trị khối ung thư kia. Em đưa chị em đến bệnh viện càng sớm càng tốt, tốt
    nhất  bệnh viện Ung bướu, em nhé.
- source_sentence: "Thưa bác sĩ,\r\n\r\nEm bị đục thủy tinh thể do chấn thương và\
    \ vừa mổ mắt về và em cũng bị cận thị. Thời gian khoảng 1 tuần em thấy mắt mình\
    \ nhìn chỉ rõ hơn được 1 phần nào. Nhìn xa thì vẫn thấy nhưng vẫn mờ mờ. Bác sĩ\
    \ cho em lời khuyên nên làm cách nào và mắt em có thể sáng lại như bình thường\
    \ được không ạ?\r\n\r\nEm xin chân thành cảm ơn! (Minh Tiến - Bình Định)"
  sentences:
  - Bạn Minh Tiến thân mến, Hiện nay phẫu thuật đục thủy tinh thể đã được y học nói
    chung  ngành Nhãn khoa Việt Nam thực hiện hoàn chỉnh đến mức tuyệt vời. Phẫu
    thuật này được xem như một cuộc cách mạng rất đáng tự hào của ngành nhãn khoa.
    Hàng ngày  thể tới hàng ngàn ca phẫu thuật đem lại ánh sáng cho người  lòa
    đục thể thủy tinh tại Việt Nam. Nói như vậy để giúp cho bạn hiểu  phẫu thuật
    này các bác  Việt Nam thực hiện rất thường xuyên  rất tốt. Tuy nhiên, với
    mắt đục thủy tinh thể do chấn thương của bạn  ca phẫu thuật tương đối không
    đơn giản. Thêm vào đó ngoài đục thủy tinh thể do chấn thương, mắt bạn cũng 
    thể kèm theo tổn thương  các bộ phận khác của mắt  trước mổ bác  khó  thể
    chẩn đoán được. Với hai  do nêu trên, nên đôi khi mắt mổ khó  thể tốt theo
    ý muốn của cả bệnh nhân lẫn thầy thuốc. Bạn cần  thời gian theo dõi  điều
    trị tiếp sau mổ. Sau thời gian ổn định khoảng 1 tháng, bạn cần đo thử kính xem
     cải thiện thị lực thêm không? Chúc bạn may mắn!
  - Chào em, Bình thường các hạch trong  thể không sưng to lên đến mức  thể sờ
    chạm hay nhận biết được.  thế, hạch sưng lên, hay thường gọi  nổi hạch, 
    một triệu chứng bất thường của  thể. Cho nên, em lo lắng  đúng khi phát hiện
    hạch  vùng cổ. Hạch bạch huyết đóng vai trò quan trọng đối với hoạt động của
    hệ miễn dịch. Chúng chứa các tế bào miễn dịch như lympho bào, đại thực bào...
     chức năng miễn dịch chống lại các yếu tố lạ như vi khuẩn, virus,  sinh trùng...
    xâm nhập vào  thể. Trong quá trình đó các hạch  thể bị viêm  sưng lên. Một
    số trường hợp hạch sưng  thể  hạch ung thư hoặc di căn. Đặc điểm của hạch
    viêm  nhỏ, số lượng ít, bờ tròn đều, không phát triển theo thời gian, không
    xâm lấn da xung quanh. Thông thường đối với hạch viêm thì nguồn viêm  thể tấn
    công tại hạch, cũng  khi  hạch viêm phản ứng với  viêm nhiễm cạnh đó, điều
    trị hết viêm thì hạch sẽ lặn dần,  thể lặn chậm hơn vài tuần đến vài tháng,
     một số loại hạch cũng  hạch viêm nhưng  chỉ giảm kích thước rồi cứ "lì"
    vậy luôn - không lặn hẳn nhưng không còn sưng như trước  vẫn giữ hình ảnh của
    hạch viêm, cũng  loại hạch viêm sau lại chuyển sang  chai hóa như sẹo  
    không lặn. Như vậy, em  1 hạch vùng cổ đã được xác định  hạch viêm thông qua
    sinh thiết hạch cách đây 10 năm. Trong vòng 10 năm nay, hạch cổ đó không  triệu
    chứng bất thường. Gần đây, hạch cổ đó  biểu hiện viêm trở lại, mặc  em uống
    thuốc (tự mua) thì hạch hết sưng đau, nhưng em cũng cần khám lại bên chuyên khoa
    ung bướu để kiểm tra tổng quát lại 1 lần, tìm nguyên nhân gây kích thích hạch
    viêm này tái hoạt động, xem  nguyên nhân lành tính hay tiềm ẩn nguyên nhân khác
    (vì lần kiểm tra trước đã cách đây 10 năm rồi), em nhé.
  - ' Chào em, Trường hợp em mô tả là những bất thường của hệ hô hấp có thể là bệnh
    lý tai mũi họng hay hô hấp dưới như viêm phổi, viêm phế quản, em cần đến các cơ
    sở y tế chuyên sâu tai mũi họng hay hô hấp để khám thêm. Những biểu hiện đó hoàn
    toàn không có cơ sở nghĩ . Thân mến!'
- source_sentence: Bác  cho em hỏi, em bị rạn nứt xương gót chân bên phải. Em bị
    hơn 1 tháng nay rồi. Em bỏ thuốc lá. Em muốn hỏi bác  thông thường  bột hơn
    hay thuốc  hơn? Như của em khoảng bao lâu thì khỏi?  giờ em vẫn chưa đi được
    bác  ạ. Em cảm ơn.
  sentences:
  - 'Câu hỏi của em rất chân thành. Tự ý thức quyết tâm cai nghiệm là điều đáng quý.
    Nếu em tiếp tục sử dụng thì tình trạng sẽ tồi tệ hơn rất nhiều. Ba yếu tố quan
    trọng nhất và tiến hành đồng thời để cai nghiện thành công, đó là: 1. Ý chí 2.
    Sự hiểu biết thấu đáo 3. Môi trường thân thiện. Các Trung tâm cai nghiện sẽ giúp
    em phần 2 và phần 3, từ đó sẽ củng cố phần 1 của em. Trường hợp ở nhà mà em tự
    cai, thực hành mỗi ngày với 3 điều kiện trên, em sẽ thành công như nhiều bạn khác.
    Không nên nôn nóng, sốt ruột. Trước tiên em phải thuộc lòng và thực hành những
    quy tắc này thành thói quen và áp dụng suốt đời. Nhiều trường hợp cai được vài
    năm vẫn tái nghiện. Do đó, nên tránh xa những "nguồn" khiến em tái nghiện, tránh
    xa bạn bè nghiện ngập em nhé. Chúc em quyết tâm và đem lại niềm vui cho bố mẹ.'
  - Chào em, Thứ nhất, bắt buộc phải  phim Xquang để biết em  thực sự nứt xương
    gót hay bị gãy phức tạp hơn,  nhiều trường hợp tưởng chỉ nứt xương thôi nhưng
    thật ra  vỡ phức tạp, phải phẫu thuật mới nhanh ổn được. Thứ hai, theo nguyên
    tắc điều trị nứt gãy xương  phải cố định tốt để can xương mọc ra, chỗ nứt gãy
    mới được nối liền. Do đó, nếu  bột thì chân sẽ được cố định liên tục trong 4-6
    tuần, còn   thì phải thay thường xuyên, mỗi lần thay  1 lần  dịch nên
    xương khó lành. Tốt hơn hết em nên đến Bệnh viện Chấn thương Chỉnh hình để được
    kiểm tra  điều trị thích hợp, em nhé. Thân mến.
  - Chào bạn, Qua hình ảnh sang thương   tả triệu chứng, bệnh  của bạn  khả
    năng  chàm hay còn gọi  viêm da dị ứng với đặc điểm  viêm  nổi mụn nhỏ,
    ngứa ngáy. Nguyên nhân của chàm hiện nay chưa  nhưng  thể do  địa dị ứng
    (người mắc hen, viêm mũi dị ứng  nguy  cao mắc chàm), do kích thích của hóa
    chất như nước rửa chén, bột giặt, cao su, kim loại, chất liệu giày dép (chàm tiếp
    xúc),... Thời tiết lạnh, stress, đổ mồ hôi nhiều  phấn hoa... cũng  những
    nguyên nhân  thể khiến da bị chàm. Chàm cũng  thể gặp  người bị suy van tĩnh
    mạch, giãn tĩnh mạch chân khiến tình trạng bệnh dai dẳng, kém đáp ứng điều trị.
    Điều trị chàm thường phải sử dụng một số loại thuốc bôi da kéo dài,  thể để
    lại tác dụng phụ, do đó bạn nên khám BS Da liễu để  toa loại thuốc phù hợp.
    Ngoài ra, bạn nên chú ý xem  yếu tố nào thường kích thích khởi phát chàm để
    tránh cho bệnh tái phát bạn nhé! Thân mến.
model-index:
- name: SentenceTransformer based on intfloat/multilingual-e5-large
  results:
  - task:
      type: information-retrieval
      name: Information Retrieval
    dataset:
      name: Unknown
      type: unknown
    metrics:
    - type: cosine_accuracy@1
      value: 0.6997808619430241
      name: Cosine Accuracy@1
    - type: cosine_accuracy@2
      value: 0.7881665449233016
      name: Cosine Accuracy@2
    - type: cosine_accuracy@5
      value: 0.8661431701972242
      name: Cosine Accuracy@5
    - type: cosine_accuracy@10
      value: 0.9159970781592404
      name: Cosine Accuracy@10
    - type: cosine_accuracy@100
      value: 0.9897735573411249
      name: Cosine Accuracy@100
    - type: cosine_precision@1
      value: 0.6997808619430241
      name: Cosine Precision@1
    - type: cosine_precision@2
      value: 0.3940832724616508
      name: Cosine Precision@2
    - type: cosine_precision@5
      value: 0.17322863403944483
      name: Cosine Precision@5
    - type: cosine_precision@10
      value: 0.09159970781592401
      name: Cosine Precision@10
    - type: cosine_precision@100
      value: 0.009897735573411249
      name: Cosine Precision@100
    - type: cosine_recall@1
      value: 0.6997808619430241
      name: Cosine Recall@1
    - type: cosine_recall@2
      value: 0.7881665449233016
      name: Cosine Recall@2
    - type: cosine_recall@5
      value: 0.8661431701972242
      name: Cosine Recall@5
    - type: cosine_recall@10
      value: 0.9159970781592404
      name: Cosine Recall@10
    - type: cosine_recall@100
      value: 0.9897735573411249
      name: Cosine Recall@100
    - type: cosine_ndcg@10
      value: 0.807181973111595
      name: Cosine Ndcg@10
    - type: cosine_mrr@1
      value: 0.6997808619430241
      name: Cosine Mrr@1
    - type: cosine_mrr@2
      value: 0.7439737034331629
      name: Cosine Mrr@2
    - type: cosine_mrr@5
      value: 0.7657292427562704
      name: Cosine Mrr@5
    - type: cosine_mrr@10
      value: 0.7724717961204463
      name: Cosine Mrr@10
    - type: cosine_mrr@100
      value: 0.7760501879160062
      name: Cosine Mrr@100
    - type: cosine_map@100
      value: 0.7760501879160047
      name: Cosine Map@100
    - type: dot_accuracy@1
      value: 0.6997808619430241
      name: Dot Accuracy@1
    - type: dot_accuracy@2
      value: 0.7881665449233016
      name: Dot Accuracy@2
    - type: dot_accuracy@5
      value: 0.8661431701972242
      name: Dot Accuracy@5
    - type: dot_accuracy@10
      value: 0.9159970781592404
      name: Dot Accuracy@10
    - type: dot_accuracy@100
      value: 0.9897735573411249
      name: Dot Accuracy@100
    - type: dot_precision@1
      value: 0.6997808619430241
      name: Dot Precision@1
    - type: dot_precision@2
      value: 0.3940832724616508
      name: Dot Precision@2
    - type: dot_precision@5
      value: 0.17322863403944483
      name: Dot Precision@5
    - type: dot_precision@10
      value: 0.09159970781592401
      name: Dot Precision@10
    - type: dot_precision@100
      value: 0.009897735573411249
      name: Dot Precision@100
    - type: dot_recall@1
      value: 0.6997808619430241
      name: Dot Recall@1
    - type: dot_recall@2
      value: 0.7881665449233016
      name: Dot Recall@2
    - type: dot_recall@5
      value: 0.8661431701972242
      name: Dot Recall@5
    - type: dot_recall@10
      value: 0.9159970781592404
      name: Dot Recall@10
    - type: dot_recall@100
      value: 0.9897735573411249
      name: Dot Recall@100
    - type: dot_ndcg@10
      value: 0.807181973111595
      name: Dot Ndcg@10
    - type: dot_mrr@1
      value: 0.6997808619430241
      name: Dot Mrr@1
    - type: dot_mrr@2
      value: 0.7439737034331629
      name: Dot Mrr@2
    - type: dot_mrr@5
      value: 0.7657292427562704
      name: Dot Mrr@5
    - type: dot_mrr@10
      value: 0.7724717961204463
      name: Dot Mrr@10
    - type: dot_mrr@100
      value: 0.7760501879160062
      name: Dot Mrr@100
    - type: dot_map@100
      value: 0.7760501879160047
      name: Dot Map@100
---

# SentenceTransformer based on intfloat/multilingual-e5-large

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large). 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:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) <!-- at revision ab10c1a7f42e74530fe7ae5be82e6d4f11a719eb -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 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: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
  (2): Normalize()
)
```

## 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("meandyou200175/e5_large_finetune")
# Run inference
sentences = [
    'Bác sĩ cho em hỏi, em bị rạn nứt xương gót chân bên phải. Em bị hơn 1 tháng nay rồi. Em bỏ thuốc lá. Em muốn hỏi bác sĩ thông thường bó bột hơn hay thuốc lá hơn? Như của em khoảng bao lâu thì khỏi? Và giờ em vẫn chưa đi được bác sĩ ạ. Em cảm ơn.',
    'Chào em, Thứ nhất, bắt buộc phải có phim Xquang để biết em có thực sự nứt xương gót hay bị gãy phức tạp hơn, vì nhiều trường hợp tưởng chỉ nứt xương thôi nhưng thật ra là vỡ phức tạp, phải phẫu thuật mới nhanh ổn được. Thứ hai, theo nguyên tắc điều trị nứt gãy xương là phải cố định tốt để can xương mọc ra, chỗ nứt gãy mới được nối liền. Do đó, nếu bó bột thì chân sẽ được cố định liên tục trong 4-6 tuần, còn bó lá thì phải thay thường xuyên, mỗi lần thay là 1 lần xê dịch nên xương khó lành. Tốt hơn hết em nên đến Bệnh viện Chấn thương Chỉnh hình để được kiểm tra và điều trị thích hợp, em nhé. Thân mến.',
    'Chào bạn, Qua hình ảnh sang thương và mô tả triệu chứng, bệnh lý của bạn có khả năng là chàm hay còn gọi là viêm da dị ứng với đặc điểm là viêm và nổi mụn nhỏ, ngứa ngáy. Nguyên nhân của chàm hiện nay chưa rõ nhưng có thể do cơ địa dị ứng (người mắc hen, viêm mũi dị ứng có nguy cơ cao mắc chàm), do kích thích của hóa chất như nước rửa chén, bột giặt, cao su, kim loại, chất liệu giày dép (chàm tiếp xúc),... Thời tiết lạnh, stress, đổ mồ hôi nhiều và phấn hoa... cũng là những nguyên nhân có thể khiến da bị chàm. Chàm cũng có thể gặp ở người bị suy van tĩnh mạch, giãn tĩnh mạch chân khiến tình trạng bệnh dai dẳng, kém đáp ứng điều trị. Điều trị chàm thường phải sử dụng một số loại thuốc bôi da kéo dài, có thể để lại tác dụng phụ, do đó bạn nên khám BS Da liễu để kê toa loại thuốc phù hợp. Ngoài ra, bạn nên chú ý xem có yếu tố nào thường kích thích khởi phát chàm để tránh cho bệnh tái phát bạn nhé! Thân mến.',
]
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

* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

| Metric               | Value      |
|:---------------------|:-----------|
| cosine_accuracy@1    | 0.6998     |
| cosine_accuracy@2    | 0.7882     |
| cosine_accuracy@5    | 0.8661     |
| cosine_accuracy@10   | 0.916      |
| cosine_accuracy@100  | 0.9898     |
| cosine_precision@1   | 0.6998     |
| cosine_precision@2   | 0.3941     |
| cosine_precision@5   | 0.1732     |
| cosine_precision@10  | 0.0916     |
| cosine_precision@100 | 0.0099     |
| cosine_recall@1      | 0.6998     |
| cosine_recall@2      | 0.7882     |
| cosine_recall@5      | 0.8661     |
| cosine_recall@10     | 0.916      |
| cosine_recall@100    | 0.9898     |
| cosine_ndcg@10       | 0.8072     |
| cosine_mrr@1         | 0.6998     |
| cosine_mrr@2         | 0.744      |
| cosine_mrr@5         | 0.7657     |
| cosine_mrr@10        | 0.7725     |
| cosine_mrr@100       | 0.7761     |
| **cosine_map@100**   | **0.7761** |
| dot_accuracy@1       | 0.6998     |
| dot_accuracy@2       | 0.7882     |
| dot_accuracy@5       | 0.8661     |
| dot_accuracy@10      | 0.916      |
| dot_accuracy@100     | 0.9898     |
| dot_precision@1      | 0.6998     |
| dot_precision@2      | 0.3941     |
| dot_precision@5      | 0.1732     |
| dot_precision@10     | 0.0916     |
| dot_precision@100    | 0.0099     |
| dot_recall@1         | 0.6998     |
| dot_recall@2         | 0.7882     |
| dot_recall@5         | 0.8661     |
| dot_recall@10        | 0.916      |
| dot_recall@100       | 0.9898     |
| dot_ndcg@10          | 0.8072     |
| dot_mrr@1            | 0.6998     |
| dot_mrr@2            | 0.744      |
| dot_mrr@5            | 0.7657     |
| dot_mrr@10           | 0.7725     |
| dot_mrr@100          | 0.7761     |
| dot_map@100          | 0.7761     |

<!--
## 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 Hyperparameters
#### Non-Default Hyperparameters

- `eval_strategy`: steps
- `per_device_train_batch_size`: 2
- `per_device_eval_batch_size`: 2
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `fp16`: True
- `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`: 2
- `per_device_eval_batch_size`: 2
- `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`: 1
- `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`: True
- `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
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
<details><summary>Click to expand</summary>

| Epoch  | Step  | Training Loss | Validation Loss | cosine_map@100 |
|:------:|:-----:|:-------------:|:---------------:|:--------------:|
| 0      | 0     | -             | -               | 0.7808         |
| 0.0046 | 100   | 0.4932        | -               | -              |
| 0.0091 | 200   | 0.1357        | -               | -              |
| 0.0137 | 300   | 0.0238        | -               | -              |
| 0.0183 | 400   | 0.0148        | -               | -              |
| 0.0228 | 500   | 0.0143        | -               | -              |
| 0.0274 | 600   | 0.0182        | -               | -              |
| 0.0320 | 700   | 0.0084        | -               | -              |
| 0.0365 | 800   | 0.0116        | -               | -              |
| 0.0411 | 900   | 0.0137        | -               | -              |
| 0.0457 | 1000  | 0.0112        | 0.0155          | 0.7403         |
| 0.0502 | 1100  | 0.0093        | -               | -              |
| 0.0548 | 1200  | 0.0254        | -               | -              |
| 0.0594 | 1300  | 0.0056        | -               | -              |
| 0.0639 | 1400  | 0.0328        | -               | -              |
| 0.0685 | 1500  | 0.0059        | -               | -              |
| 0.0731 | 1600  | 0.0071        | -               | -              |
| 0.0776 | 1700  | 0.0247        | -               | -              |
| 0.0822 | 1800  | 0.0319        | -               | -              |
| 0.0868 | 1900  | 0.0109        | -               | -              |
| 0.0913 | 2000  | 0.0145        | 0.0228          | 0.7228         |
| 0.0959 | 2100  | 0.0156        | -               | -              |
| 0.1004 | 2200  | 0.0399        | -               | -              |
| 0.1050 | 2300  | 0.0594        | -               | -              |
| 0.1096 | 2400  | 0.0172        | -               | -              |
| 0.1141 | 2500  | 0.0156        | -               | -              |
| 0.1187 | 2600  | 0.0748        | -               | -              |
| 0.1233 | 2700  | 0.0299        | -               | -              |
| 0.1278 | 2800  | 0.056         | -               | -              |
| 0.1324 | 2900  | 0.0499        | -               | -              |
| 0.1370 | 3000  | 0.0398        | 0.0453          | 0.6408         |
| 0.1415 | 3100  | 0.0486        | -               | -              |
| 0.1461 | 3200  | 0.0159        | -               | -              |
| 0.1507 | 3300  | 0.0464        | -               | -              |
| 0.1552 | 3400  | 0.0345        | -               | -              |
| 0.1598 | 3500  | 0.0102        | -               | -              |
| 0.1644 | 3600  | 0.0203        | -               | -              |
| 0.1689 | 3700  | 0.033         | -               | -              |
| 0.1735 | 3800  | 0.0596        | -               | -              |
| 0.1781 | 3900  | 0.0156        | -               | -              |
| 0.1826 | 4000  | 0.0204        | 0.0394          | 0.6855         |
| 0.1872 | 4100  | 0.0168        | -               | -              |
| 0.1918 | 4200  | 0.0516        | -               | -              |
| 0.1963 | 4300  | 0.034         | -               | -              |
| 0.2009 | 4400  | 0.0109        | -               | -              |
| 0.2055 | 4500  | 0.0328        | -               | -              |
| 0.2100 | 4600  | 0.0191        | -               | -              |
| 0.2146 | 4700  | 0.0561        | -               | -              |
| 0.2192 | 4800  | 0.0167        | -               | -              |
| 0.2237 | 4900  | 0.0418        | -               | -              |
| 0.2283 | 5000  | 0.0476        | 0.0339          | 0.6703         |
| 0.2329 | 5100  | 0.0315        | -               | -              |
| 0.2374 | 5200  | 0.0111        | -               | -              |
| 0.2420 | 5300  | 0.0172        | -               | -              |
| 0.2466 | 5400  | 0.0198        | -               | -              |
| 0.2511 | 5500  | 0.0305        | -               | -              |
| 0.2557 | 5600  | 0.0192        | -               | -              |
| 0.2603 | 5700  | 0.0468        | -               | -              |
| 0.2648 | 5800  | 0.038         | -               | -              |
| 0.2694 | 5900  | 0.0331        | -               | -              |
| 0.2739 | 6000  | 0.0353        | 0.0417          | 0.6621         |
| 0.2785 | 6100  | 0.0405        | -               | -              |
| 0.2831 | 6200  | 0.0251        | -               | -              |
| 0.2876 | 6300  | 0.0223        | -               | -              |
| 0.2922 | 6400  | 0.0219        | -               | -              |
| 0.2968 | 6500  | 0.0596        | -               | -              |
| 0.3013 | 6600  | 0.0581        | -               | -              |
| 0.3059 | 6700  | 0.0521        | -               | -              |
| 0.3105 | 6800  | 0.0595        | -               | -              |
| 0.3150 | 6900  | 0.0211        | -               | -              |
| 0.3196 | 7000  | 0.0568        | 0.0249          | 0.6985         |
| 0.3242 | 7100  | 0.0761        | -               | -              |
| 0.3287 | 7200  | 0.0189        | -               | -              |
| 0.3333 | 7300  | 0.0218        | -               | -              |
| 0.3379 | 7400  | 0.0216        | -               | -              |
| 0.3424 | 7500  | 0.0091        | -               | -              |
| 0.3470 | 7600  | 0.0621        | -               | -              |
| 0.3516 | 7700  | 0.0169        | -               | -              |
| 0.3561 | 7800  | 0.0137        | -               | -              |
| 0.3607 | 7900  | 0.0304        | -               | -              |
| 0.3653 | 8000  | 0.0097        | 0.0206          | 0.7061         |
| 0.3698 | 8100  | 0.0202        | -               | -              |
| 0.3744 | 8200  | 0.0103        | -               | -              |
| 0.3790 | 8300  | 0.0292        | -               | -              |
| 0.3835 | 8400  | 0.022         | -               | -              |
| 0.3881 | 8500  | 0.0323        | -               | -              |
| 0.3927 | 8600  | 0.0328        | -               | -              |
| 0.3972 | 8700  | 0.0264        | -               | -              |
| 0.4018 | 8800  | 0.0373        | -               | -              |
| 0.4064 | 8900  | 0.0224        | -               | -              |
| 0.4109 | 9000  | 0.0215        | 0.0380          | 0.6628         |
| 0.4155 | 9100  | 0.0237        | -               | -              |
| 0.4201 | 9200  | 0.0301        | -               | -              |
| 0.4246 | 9300  | 0.041         | -               | -              |
| 0.4292 | 9400  | 0.0117        | -               | -              |
| 0.4338 | 9500  | 0.0077        | -               | -              |
| 0.4383 | 9600  | 0.0334        | -               | -              |
| 0.4429 | 9700  | 0.0492        | -               | -              |
| 0.4474 | 9800  | 0.0279        | -               | -              |
| 0.4520 | 9900  | 0.0126        | -               | -              |
| 0.4566 | 10000 | 0.0436        | 0.0251          | 0.6931         |
| 0.4611 | 10100 | 0.058         | -               | -              |
| 0.4657 | 10200 | 0.0169        | -               | -              |
| 0.4703 | 10300 | 0.0101        | -               | -              |
| 0.4748 | 10400 | 0.0348        | -               | -              |
| 0.4794 | 10500 | 0.0059        | -               | -              |
| 0.4840 | 10600 | 0.0212        | -               | -              |
| 0.4885 | 10700 | 0.007         | -               | -              |
| 0.4931 | 10800 | 0.0323        | -               | -              |
| 0.4977 | 10900 | 0.0123        | -               | -              |
| 0.5022 | 11000 | 0.0106        | 0.0200          | 0.7077         |
| 0.5068 | 11100 | 0.0129        | -               | -              |
| 0.5114 | 11200 | 0.0067        | -               | -              |
| 0.5159 | 11300 | 0.0087        | -               | -              |
| 0.5205 | 11400 | 0.0149        | -               | -              |
| 0.5251 | 11500 | 0.0387        | -               | -              |
| 0.5296 | 11600 | 0.035         | -               | -              |
| 0.5342 | 11700 | 0.0353        | -               | -              |
| 0.5388 | 11800 | 0.025         | -               | -              |
| 0.5433 | 11900 | 0.005         | -               | -              |
| 0.5479 | 12000 | 0.0152        | 0.0241          | 0.6972         |
| 0.5525 | 12100 | 0.0475        | -               | -              |
| 0.5570 | 12200 | 0.034         | -               | -              |
| 0.5616 | 12300 | 0.0539        | -               | -              |
| 0.5662 | 12400 | 0.0687        | -               | -              |
| 0.5707 | 12500 | 0.007         | -               | -              |
| 0.5753 | 12600 | 0.0169        | -               | -              |
| 0.5799 | 12700 | 0.0186        | -               | -              |
| 0.5844 | 12800 | 0.0076        | -               | -              |
| 0.5890 | 12900 | 0.0032        | -               | -              |
| 0.5936 | 13000 | 0.0094        | 0.0170          | 0.7311         |
| 0.5981 | 13100 | 0.0091        | -               | -              |
| 0.6027 | 13200 | 0.0335        | -               | -              |
| 0.6073 | 13300 | 0.0054        | -               | -              |
| 0.6118 | 13400 | 0.0351        | -               | -              |
| 0.6164 | 13500 | 0.0451        | -               | -              |
| 0.6209 | 13600 | 0.0048        | -               | -              |
| 0.6255 | 13700 | 0.0316        | -               | -              |
| 0.6301 | 13800 | 0.0346        | -               | -              |
| 0.6346 | 13900 | 0.0341        | -               | -              |
| 0.6392 | 14000 | 0.0105        | 0.0154          | 0.7408         |
| 0.6438 | 14100 | 0.0181        | -               | -              |
| 0.6483 | 14200 | 0.064         | -               | -              |
| 0.6529 | 14300 | 0.0381        | -               | -              |
| 0.6575 | 14400 | 0.0433        | -               | -              |
| 0.6620 | 14500 | 0.0451        | -               | -              |
| 0.6666 | 14600 | 0.0139        | -               | -              |
| 0.6712 | 14700 | 0.0169        | -               | -              |
| 0.6757 | 14800 | 0.0105        | -               | -              |
| 0.6803 | 14900 | 0.0058        | -               | -              |
| 0.6849 | 15000 | 0.0327        | 0.0148          | 0.7504         |
| 0.6894 | 15100 | 0.0537        | -               | -              |
| 0.6940 | 15200 | 0.0093        | -               | -              |
| 0.6986 | 15300 | 0.0116        | -               | -              |
| 0.7031 | 15400 | 0.024         | -               | -              |
| 0.7077 | 15500 | 0.0176        | -               | -              |
| 0.7123 | 15600 | 0.0119        | -               | -              |
| 0.7168 | 15700 | 0.0087        | -               | -              |
| 0.7214 | 15800 | 0.0196        | -               | -              |
| 0.7260 | 15900 | 0.003         | -               | -              |
| 0.7305 | 16000 | 0.0222        | 0.0144          | 0.7430         |
| 0.7351 | 16100 | 0.0021        | -               | -              |
| 0.7397 | 16200 | 0.0081        | -               | -              |
| 0.7442 | 16300 | 0.0125        | -               | -              |
| 0.7488 | 16400 | 0.0047        | -               | -              |
| 0.7534 | 16500 | 0.0144        | -               | -              |
| 0.7579 | 16600 | 0.0159        | -               | -              |
| 0.7625 | 16700 | 0.0112        | -               | -              |
| 0.7671 | 16800 | 0.0144        | -               | -              |
| 0.7716 | 16900 | 0.0151        | -               | -              |
| 0.7762 | 17000 | 0.0268        | 0.0142          | 0.7434         |
| 0.7808 | 17100 | 0.013         | -               | -              |
| 0.7853 | 17200 | 0.0054        | -               | -              |
| 0.7899 | 17300 | 0.019         | -               | -              |
| 0.7944 | 17400 | 0.014         | -               | -              |
| 0.7990 | 17500 | 0.0143        | -               | -              |
| 0.8036 | 17600 | 0.008         | -               | -              |
| 0.8081 | 17700 | 0.0047        | -               | -              |
| 0.8127 | 17800 | 0.0383        | -               | -              |
| 0.8173 | 17900 | 0.0258        | -               | -              |
| 0.8218 | 18000 | 0.0403        | 0.0117          | 0.7650         |
| 0.8264 | 18100 | 0.0033        | -               | -              |
| 0.8310 | 18200 | 0.0264        | -               | -              |
| 0.8355 | 18300 | 0.0062        | -               | -              |
| 0.8401 | 18400 | 0.0014        | -               | -              |
| 0.8447 | 18500 | 0.002         | -               | -              |
| 0.8492 | 18600 | 0.0229        | -               | -              |
| 0.8538 | 18700 | 0.02          | -               | -              |
| 0.8584 | 18800 | 0.005         | -               | -              |
| 0.8629 | 18900 | 0.0073        | -               | -              |
| 0.8675 | 19000 | 0.0233        | 0.0139          | 0.7625         |
| 0.8721 | 19100 | 0.0164        | -               | -              |
| 0.8766 | 19200 | 0.0053        | -               | -              |
| 0.8812 | 19300 | 0.0075        | -               | -              |
| 0.8858 | 19400 | 0.0159        | -               | -              |
| 0.8903 | 19500 | 0.0022        | -               | -              |
| 0.8949 | 19600 | 0.0136        | -               | -              |
| 0.8995 | 19700 | 0.0322        | -               | -              |
| 0.9040 | 19800 | 0.0023        | -               | -              |
| 0.9086 | 19900 | 0.0787        | -               | -              |
| 0.9132 | 20000 | 0.0092        | 0.0114          | 0.7713         |
| 0.9177 | 20100 | 0.0174        | -               | -              |
| 0.9223 | 20200 | 0.0211        | -               | -              |
| 0.9269 | 20300 | 0.0051        | -               | -              |
| 0.9314 | 20400 | 0.0223        | -               | -              |
| 0.9360 | 20500 | 0.0197        | -               | -              |
| 0.9406 | 20600 | 0.0076        | -               | -              |
| 0.9451 | 20700 | 0.0497        | -               | -              |
| 0.9497 | 20800 | 0.0053        | -               | -              |
| 0.9543 | 20900 | 0.0096        | -               | -              |
| 0.9588 | 21000 | 0.0039        | 0.0105          | 0.7761         |
| 0.9634 | 21100 | 0.0184        | -               | -              |
| 0.9679 | 21200 | 0.0129        | -               | -              |
| 0.9725 | 21300 | 0.0056        | -               | -              |
| 0.9771 | 21400 | 0.0093        | -               | -              |
| 0.9816 | 21500 | 0.023         | -               | -              |
| 0.9862 | 21600 | 0.0071        | -               | -              |
| 0.9908 | 21700 | 0.0061        | -               | -              |
| 0.9953 | 21800 | 0.0009        | -               | -              |
| 0.9999 | 21900 | 0.0012        | -               | -              |

</details>

### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.2.1
- Transformers: 4.45.1
- PyTorch: 2.4.0
- Accelerate: 0.34.2
- Datasets: 3.0.1
- Tokenizers: 0.20.0

## 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.*
-->