File size: 48,532 Bytes
ad19f89 |
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 |
---
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
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 sĩ cho biết việc lựa chọn đóng đinh nội tủy và nẹp vít
để kết hợp xương đòn dựa trên cơ 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 có thể do nhiều nguyên nhân, gồm tim mạch, hô hấp, thần kinh cơ, tiêu hóa
(chủ yếu là ống tiêu hóa trên), tâm lý, bệnh lý nội tiết tố… Viêm dạ dày trào
ngược có 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 là bệnh có thể tái phát, điều
trị hết bệnh rồi thì bệnh vẫn có thể tái lại. Do đó, nếu em đã khám tim mạch và
hô hấp bình thường, để biết có phải mình mệt mỏi do bệnh dạ dày gây ra hay không
thì tốt nhất là em khám chuyên khoa nội tiêu hóa và điều trị trào ngược dạ dày
thực quản thử, nếu triệu chứng cải thiện nhanh chóng thì chính hắn là nguyên nhân,
em nhé.
- source_sentence: Tôi bị tình trạng nuốt nước miếng có cảm giác bị vướng ở cổ, không
đau rát, không ho sốt, ăn uống bình thường đã 1 ngày nay. Chỉ có nuốt nước miếng
là có cảm giác vướng thôi, lỗ tai bên trái thì cảm giác ngứa nhẹ. Xin hỏi là bệnh
gì 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 ở cổ thường gặp trong một số bệnh lý viêm nhiễm hầu họng
như viêm họng, viêm amidan mạn, trào ngược dạ dày thực quản, hội chứng chảy mũi
sau… Đây là có thể là triệu chứng đầu tiên báo hiệu một đợt bùng phát cấp tính
của viêm nhiễm hô hấp trên do triệu chứng mới chỉ xuất hiện 1 ngày. Bạn nên khám
bác sĩ Tai mũi họng để thăm khám trực tiếp, đánh giá và kê 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 là ung thư
dạ dày. Bệnh ung thư dạ dày là bệnh lý ác tính và có chỉ định phẫu thuật cắt khối
u – cắt dạ dày khi còn có thể cắt được. Nếu đã phát hiện ung thư dạ dày mà không
điều trị phẫu thuật thì thời gian sống của bệnh nhân trung bình là 6 tháng đến
1 năm tùy loại ung thư dạ dày, khi ung thư tiến triển di căn có thể gây nhiều
đau đớn hơn. Hiện tại chị em đang bị suy nhược cơ thể nhiều, không ăn uống được,
đau nhiều do ung thư dạ dày là có chỉ định vào bệnh viện nằm điều trị luôn rồi,
chứ không thể nào lấy thuốc mà không tới phòng khám được đâu. Vô 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 là 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 và 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 có thể tới hàng ngàn ca phẫu thuật đem lại ánh sáng cho người mù lòa
đục thể thủy tinh tại Việt Nam. Nói như vậy để giúp cho bạn hiểu rõ phẫu thuật
này các bác sĩ Việt Nam thực hiện rất thường xuyên và rất tốt. Tuy nhiên, với
mắt đục thủy tinh thể do chấn thương của bạn là ca phẫu thuật tương đối không
đơn giản. Thêm vào đó ngoài đục thủy tinh thể do chấn thương, mắt bạn cũng có
thể kèm theo tổn thương ở các bộ phận khác của mắt mà trước mổ bác sĩ khó có thể
chẩn đoán được. Với hai lý do nêu trên, nên đôi khi mắt mổ khó có thể tốt theo
ý muốn của cả bệnh nhân lẫn thầy thuốc. Bạn cần có thời gian theo dõi và điều
trị tiếp sau mổ. Sau thời gian ổn định khoảng 1 tháng, bạn cần đo thử kính xem
có cải thiện thị lực thêm không? Chúc bạn may mắn!
- Chào em, Bình thường các hạch trong cơ thể không sưng to lên đến mức có thể sờ
chạm hay nhận biết được. Vì thế, hạch sưng lên, hay thường gọi là nổi hạch, là
một triệu chứng bất thường của cơ thể. Cho nên, em lo lắng là đúng khi phát hiện
hạch ở 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...
có chức năng miễn dịch chống lại các yếu tố lạ như vi khuẩn, virus, kí sinh trùng...
xâm nhập vào cơ thể. Trong quá trình đó các hạch có thể bị viêm và sưng lên. Một
số trường hợp hạch sưng có thể là hạch ung thư hoặc di căn. Đặc điểm của hạch
viêm là 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 có thể tấn
công tại hạch, cũng có khi là hạch viêm phản ứng với ổ viêm nhiễm cạnh đó, điều
trị hết viêm thì hạch sẽ lặn dần, có thể lặn chậm hơn vài tuần đến vài tháng,
có một số loại hạch cũng là hạch viêm nhưng mà chỉ giảm kích thước rồi cứ "lì"
vậy luôn - không lặn hẳn nhưng không còn sưng như trước và vẫn giữ hình ảnh của
hạch viêm, cũng có loại hạch viêm sau lại chuyển sang xơ chai hóa như sẹo cũ và
không lặn. Như vậy, em có 1 hạch vùng cổ đã được xác định là hạch viêm thông qua
sinh thiết hạch cách đây 10 năm. Trong vòng 10 năm nay, hạch cổ đó không có triệu
chứng bất thường. Gần đây, hạch cổ đó có biểu hiện viêm trở lại, mặc dù 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 là 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 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.
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 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.
model-index:
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.6376917457998539
name: Cosine Accuracy@1
- type: cosine_accuracy@2
value: 0.7246165084002922
name: Cosine Accuracy@2
- type: cosine_accuracy@5
value: 0.8237764791818846
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.8858655953250548
name: Cosine Accuracy@10
- type: cosine_accuracy@100
value: 0.9864864864864865
name: Cosine Accuracy@100
- type: cosine_precision@1
value: 0.6376917457998539
name: Cosine Precision@1
- type: cosine_precision@2
value: 0.3623082542001461
name: Cosine Precision@2
- type: cosine_precision@5
value: 0.16475529583637688
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.08858655953250547
name: Cosine Precision@10
- type: cosine_precision@100
value: 0.009864864864864865
name: Cosine Precision@100
- type: cosine_recall@1
value: 0.6376917457998539
name: Cosine Recall@1
- type: cosine_recall@2
value: 0.7246165084002922
name: Cosine Recall@2
- type: cosine_recall@5
value: 0.8237764791818846
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.8858655953250548
name: Cosine Recall@10
- type: cosine_recall@100
value: 0.9864864864864865
name: Cosine Recall@100
- type: cosine_ndcg@10
value: 0.7576941653803614
name: Cosine Ndcg@10
- type: cosine_mrr@1
value: 0.6376917457998539
name: Cosine Mrr@1
- type: cosine_mrr@2
value: 0.6811541271000731
name: Cosine Mrr@2
- type: cosine_mrr@5
value: 0.7087563915266626
name: Cosine Mrr@5
- type: cosine_mrr@10
value: 0.7171282769255755
name: Cosine Mrr@10
- type: cosine_mrr@100
value: 0.7218835081947569
name: Cosine Mrr@100
- type: cosine_map@100
value: 0.7218835081947561
name: Cosine Map@100
- type: dot_accuracy@1
value: 0.5918553688823959
name: Dot Accuracy@1
- type: dot_accuracy@2
value: 0.6891891891891891
name: Dot Accuracy@2
- type: dot_accuracy@5
value: 0.7967494521548576
name: Dot Accuracy@5
- type: dot_accuracy@10
value: 0.8677867056245434
name: Dot Accuracy@10
- type: dot_accuracy@100
value: 0.9839298758217677
name: Dot Accuracy@100
- type: dot_precision@1
value: 0.5918553688823959
name: Dot Precision@1
- type: dot_precision@2
value: 0.34459459459459457
name: Dot Precision@2
- type: dot_precision@5
value: 0.1593498904309715
name: Dot Precision@5
- type: dot_precision@10
value: 0.08677867056245434
name: Dot Precision@10
- type: dot_precision@100
value: 0.009839298758217676
name: Dot Precision@100
- type: dot_recall@1
value: 0.5918553688823959
name: Dot Recall@1
- type: dot_recall@2
value: 0.6891891891891891
name: Dot Recall@2
- type: dot_recall@5
value: 0.7967494521548576
name: Dot Recall@5
- type: dot_recall@10
value: 0.8677867056245434
name: Dot Recall@10
- type: dot_recall@100
value: 0.9839298758217677
name: Dot Recall@100
- type: dot_ndcg@10
value: 0.7250501819909874
name: Dot Ndcg@10
- type: dot_mrr@1
value: 0.5918553688823959
name: Dot Mrr@1
- type: dot_mrr@2
value: 0.6405222790357925
name: Dot Mrr@2
- type: dot_mrr@5
value: 0.670288531775019
name: Dot Mrr@5
- type: dot_mrr@10
value: 0.6799185768780378
name: Dot Mrr@10
- type: dot_mrr@100
value: 0.6856041760582577
name: Dot Mrr@100
- type: dot_map@100
value: 0.6856041760582575
name: Dot Map@100
---
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2). 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:** [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) <!-- at revision adbb5d9bbbb4ee9541be36d93de604a7c3dfa143 -->
- **Maximum Sequence Length:** 128 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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel
(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("meandyou200175/paraphrase-multilingual-mpnet-base-v2_finetune_med")
# 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, 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
#### 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 | 0.6377 |
| cosine_accuracy@2 | 0.7246 |
| cosine_accuracy@5 | 0.8238 |
| cosine_accuracy@10 | 0.8859 |
| cosine_accuracy@100 | 0.9865 |
| cosine_precision@1 | 0.6377 |
| cosine_precision@2 | 0.3623 |
| cosine_precision@5 | 0.1648 |
| cosine_precision@10 | 0.0886 |
| cosine_precision@100 | 0.0099 |
| cosine_recall@1 | 0.6377 |
| cosine_recall@2 | 0.7246 |
| cosine_recall@5 | 0.8238 |
| cosine_recall@10 | 0.8859 |
| cosine_recall@100 | 0.9865 |
| cosine_ndcg@10 | 0.7577 |
| cosine_mrr@1 | 0.6377 |
| cosine_mrr@2 | 0.6812 |
| cosine_mrr@5 | 0.7088 |
| cosine_mrr@10 | 0.7171 |
| cosine_mrr@100 | 0.7219 |
| **cosine_map@100** | **0.7219** |
| dot_accuracy@1 | 0.5919 |
| dot_accuracy@2 | 0.6892 |
| dot_accuracy@5 | 0.7967 |
| dot_accuracy@10 | 0.8678 |
| dot_accuracy@100 | 0.9839 |
| dot_precision@1 | 0.5919 |
| dot_precision@2 | 0.3446 |
| dot_precision@5 | 0.1593 |
| dot_precision@10 | 0.0868 |
| dot_precision@100 | 0.0098 |
| dot_recall@1 | 0.5919 |
| dot_recall@2 | 0.6892 |
| dot_recall@5 | 0.7967 |
| dot_recall@10 | 0.8678 |
| dot_recall@100 | 0.9839 |
| dot_ndcg@10 | 0.7251 |
| dot_mrr@1 | 0.5919 |
| dot_mrr@2 | 0.6405 |
| dot_mrr@5 | 0.6703 |
| dot_mrr@10 | 0.6799 |
| dot_mrr@100 | 0.6856 |
| dot_map@100 | 0.6856 |
<!--
## 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`: 16
- `per_device_eval_batch_size`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 5
- `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`: 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`: 5
- `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 | - | - | 0.3872 |
| 0.0365 | 100 | 0.7422 | - | - |
| 0.0730 | 200 | 0.4554 | - | - |
| 0.1096 | 300 | 0.3652 | - | - |
| 0.1461 | 400 | 0.3278 | - | - |
| 0.1826 | 500 | 0.2796 | - | - |
| 0.2191 | 600 | 0.2906 | - | - |
| 0.2557 | 700 | 0.2787 | - | - |
| 0.2922 | 800 | 0.2819 | - | - |
| 0.3287 | 900 | 0.2828 | - | - |
| 0.3652 | 1000 | 0.2469 | 0.2089 | 0.6377 |
| 0.4018 | 1100 | 0.2213 | - | - |
| 0.4383 | 1200 | 0.2483 | - | - |
| 0.4748 | 1300 | 0.245 | - | - |
| 0.5113 | 1400 | 0.2056 | - | - |
| 0.5478 | 1500 | 0.2593 | - | - |
| 0.5844 | 1600 | 0.2452 | - | - |
| 0.6209 | 1700 | 0.219 | - | - |
| 0.6574 | 1800 | 0.2448 | - | - |
| 0.6939 | 1900 | 0.2021 | - | - |
| 0.7305 | 2000 | 0.1882 | 0.1874 | 0.6471 |
| 0.7670 | 2100 | 0.2157 | - | - |
| 0.8035 | 2200 | 0.2169 | - | - |
| 0.8400 | 2300 | 0.1694 | - | - |
| 0.8766 | 2400 | 0.1835 | - | - |
| 0.9131 | 2500 | 0.1983 | - | - |
| 0.9496 | 2600 | 0.189 | - | - |
| 0.9861 | 2700 | 0.1914 | - | - |
| 1.0226 | 2800 | 0.1841 | - | - |
| 1.0592 | 2900 | 0.1719 | - | - |
| 1.0957 | 3000 | 0.1831 | 0.1405 | 0.6678 |
| 1.1322 | 3100 | 0.1391 | - | - |
| 1.1687 | 3200 | 0.1571 | - | - |
| 1.2053 | 3300 | 0.1273 | - | - |
| 1.2418 | 3400 | 0.1269 | - | - |
| 1.2783 | 3500 | 0.1324 | - | - |
| 1.3148 | 3600 | 0.1061 | - | - |
| 1.3514 | 3700 | 0.1122 | - | - |
| 1.3879 | 3800 | 0.0716 | - | - |
| 1.4244 | 3900 | 0.1034 | - | - |
| 1.4609 | 4000 | 0.0943 | 0.1257 | 0.6791 |
| 1.4974 | 4100 | 0.07 | - | - |
| 1.5340 | 4200 | 0.0745 | - | - |
| 1.5705 | 4300 | 0.083 | - | - |
| 1.6070 | 4400 | 0.0668 | - | - |
| 1.6435 | 4500 | 0.0646 | - | - |
| 1.6801 | 4600 | 0.0682 | - | - |
| 1.7166 | 4700 | 0.0575 | - | - |
| 1.7531 | 4800 | 0.0719 | - | - |
| 1.7896 | 4900 | 0.0554 | - | - |
| 1.8262 | 5000 | 0.0562 | 0.1154 | 0.6950 |
| 1.8627 | 5100 | 0.0466 | - | - |
| 1.8992 | 5200 | 0.0614 | - | - |
| 1.9357 | 5300 | 0.0592 | - | - |
| 1.9722 | 5400 | 0.0555 | - | - |
| 2.0088 | 5500 | 0.0547 | - | - |
| 2.0453 | 5600 | 0.0541 | - | - |
| 2.0818 | 5700 | 0.0519 | - | - |
| 2.1183 | 5800 | 0.0479 | - | - |
| 2.1549 | 5900 | 0.0557 | - | - |
| 2.1914 | 6000 | 0.0336 | 0.1098 | 0.6988 |
| 2.2279 | 6100 | 0.0489 | - | - |
| 2.2644 | 6200 | 0.0324 | - | - |
| 2.3009 | 6300 | 0.0378 | - | - |
| 2.3375 | 6400 | 0.0427 | - | - |
| 2.3740 | 6500 | 0.0247 | - | - |
| 2.4105 | 6600 | 0.0368 | - | - |
| 2.4470 | 6700 | 0.035 | - | - |
| 2.4836 | 6800 | 0.028 | - | - |
| 2.5201 | 6900 | 0.0234 | - | - |
| 2.5566 | 7000 | 0.0238 | 0.1009 | 0.7006 |
| 2.5931 | 7100 | 0.0264 | - | - |
| 2.6297 | 7200 | 0.0217 | - | - |
| 2.6662 | 7300 | 0.0201 | - | - |
| 2.7027 | 7400 | 0.0202 | - | - |
| 2.7392 | 7500 | 0.0208 | - | - |
| 2.7757 | 7600 | 0.0204 | - | - |
| 2.8123 | 7700 | 0.0186 | - | - |
| 2.8488 | 7800 | 0.0152 | - | - |
| 2.8853 | 7900 | 0.0183 | - | - |
| 2.9218 | 8000 | 0.0182 | 0.1015 | 0.7106 |
| 2.9584 | 8100 | 0.0133 | - | - |
| 2.9949 | 8200 | 0.0195 | - | - |
| 3.0314 | 8300 | 0.0169 | - | - |
| 3.0679 | 8400 | 0.0149 | - | - |
| 3.1045 | 8500 | 0.0182 | - | - |
| 3.1410 | 8600 | 0.0152 | - | - |
| 3.1775 | 8700 | 0.0117 | - | - |
| 3.2140 | 8800 | 0.0104 | - | - |
| 3.2505 | 8900 | 0.0149 | - | - |
| 3.2871 | 9000 | 0.0127 | 0.0951 | 0.7126 |
| 3.3236 | 9100 | 0.0135 | - | - |
| 3.3601 | 9200 | 0.0099 | - | - |
| 3.3966 | 9300 | 0.0069 | - | - |
| 3.4332 | 9400 | 0.0104 | - | - |
| 3.4697 | 9500 | 0.0105 | - | - |
| 3.5062 | 9600 | 0.0087 | - | - |
| 3.5427 | 9700 | 0.0078 | - | - |
| 3.5793 | 9800 | 0.0076 | - | - |
| 3.6158 | 9900 | 0.0059 | - | - |
| 3.6523 | 10000 | 0.0089 | 0.0918 | 0.7170 |
| 3.6888 | 10100 | 0.0068 | - | - |
| 3.7253 | 10200 | 0.0069 | - | - |
| 3.7619 | 10300 | 0.007 | - | - |
| 3.7984 | 10400 | 0.0048 | - | - |
| 3.8349 | 10500 | 0.0057 | - | - |
| 3.8714 | 10600 | 0.0051 | - | - |
| 3.9080 | 10700 | 0.0079 | - | - |
| 3.9445 | 10800 | 0.0049 | - | - |
| 3.9810 | 10900 | 0.0074 | - | - |
| 4.0175 | 11000 | 0.0053 | 0.0896 | 0.7216 |
| 4.0541 | 11100 | 0.0047 | - | - |
| 4.0906 | 11200 | 0.0065 | - | - |
| 4.1271 | 11300 | 0.0047 | - | - |
| 4.1636 | 11400 | 0.0058 | - | - |
| 4.2001 | 11500 | 0.0035 | - | - |
| 4.2367 | 11600 | 0.0054 | - | - |
| 4.2732 | 11700 | 0.0044 | - | - |
| 4.3097 | 11800 | 0.0047 | - | - |
| 4.3462 | 11900 | 0.0041 | - | - |
| 4.3828 | 12000 | 0.0028 | 0.0865 | 0.7210 |
| 4.4193 | 12100 | 0.0049 | - | - |
| 4.4558 | 12200 | 0.0037 | - | - |
| 4.4923 | 12300 | 0.0033 | - | - |
| 4.5289 | 12400 | 0.0029 | - | - |
| 4.5654 | 12500 | 0.003 | - | - |
| 4.6019 | 12600 | 0.0028 | - | - |
| 4.6384 | 12700 | 0.0027 | - | - |
| 4.6749 | 12800 | 0.0034 | - | - |
| 4.7115 | 12900 | 0.0026 | - | - |
| 4.7480 | 13000 | 0.003 | 0.0871 | 0.7219 |
| 4.7845 | 13100 | 0.0028 | - | - |
| 4.8210 | 13200 | 0.0024 | - | - |
| 4.8576 | 13300 | 0.0023 | - | - |
| 4.8941 | 13400 | 0.0035 | - | - |
| 4.9306 | 13500 | 0.0025 | - | - |
| 4.9671 | 13600 | 0.0027 | - | - |
</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.*
--> |