metadata

language:
  - vi
library_name: sentence-transformers
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:388774
  - loss:MatryoshkaLoss
  - loss:MultipleNegativesRankingLoss
base_model: BookingCare/bkcare-bert-pretrained
datasets:
  - facebook/xnli
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
widget:
  - source_sentence: >-
      Như bằng chứng về việc này , cô ta đã chi tiết các tài sản bầu cử của
      clinton theo tiểu bang , ở phía đông bắc , Trung Tây , và tây .
    sentences:
      - Bộ chọn ứng cử viên không vui chơi ở các bữa tiệc .
      - >-
        Sử dụng công nghệ thông tin cho phép sử dụng các nguồn tài nguyên liên
        lạc lớn hơn .
      - >-
        Không bao giờ có một tài khoản kỹ lưỡng của các cuộc bầu cử của clinton
        .
  - source_sentence: Sau một thời gian , ông ấy ngừng bò và ngồi lên .
    sentences:
      - Jon muốn có một trận đấu lớn để bắt đầu .
      - Tất cả mọi người đều được đưa ra một tách trung quốc vào đầu năm .
      - Anh ta bị thương nghiêm trọng .
  - source_sentence: >-
      Arras đã nổi tiếng trong thời trung cổ cho tác phẩm của vải và những tấm
      thảm treo cổ , loại thông qua mà polonius gặp phải cái chết của ông ta ở
      hamlet .
    sentences:
      - Lũ lụt đang dự kiến đã gây ra 1.5 tỷ đô la trong thiệt hại .
      - Nó sẽ là bắt buộc cho những người nghèo khổ vì những quy định .
      - Arras chỉ làm đồ gốm thôi .
  - source_sentence: >-
      Lehrer là người về sự giao tiếp này với gió và quyền lực , và nó đã biến
      anh ta thành một trong số họ .
    sentences:
      - Người đã làm julius cảm thấy lo lắng .
      - Họ có thể mất 36 tháng để hoàn thành .
      - Leher không thích giao tiếp với các chính trị gia .
  - source_sentence: Tôi sẽ làm tất cả những gì ông muốn. julius hạ khẩu súng lục .
    sentences:
      - Tôi sẽ ban cho anh những lời chúc của anh , julius bỏ súng xuống .
      - >-
        Bạn có thể được đề nghị giả ngọc , điều đó rất tương tự với các đối tác
        cao hơn của nó .
      - Nó đến trong túi 400 pound .
pipeline_tag: sentence-similarity
model-index:
  - name: SentenceTransformer based on BookingCare/bkcare-bert-pretrained
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev 768
          type: sts-dev-768
        metrics:
          - type: pearson_cosine
            value: 0.6867482534374487
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.6700553964995389
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.6734129943367082
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.6689701652447698
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.6743893025028618
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.6700560677966448
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.6867482521687218
            name: Pearson Dot
          - type: spearman_dot
            value: 0.6700558146434896
            name: Spearman Dot
          - type: pearson_max
            value: 0.6867482534374487
            name: Pearson Max
          - type: spearman_max
            value: 0.6700560677966448
            name: Spearman Max
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev 512
          type: sts-dev-512
        metrics:
          - type: pearson_cosine
            value: 0.6850905517919458
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.6685671393301956
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.6726989775543833
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.6682515030981849
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.6739395873419184
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.6695224924884773
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.6802500913119895
            name: Pearson Dot
          - type: spearman_dot
            value: 0.6631065723741826
            name: Spearman Dot
          - type: pearson_max
            value: 0.6850905517919458
            name: Pearson Max
          - type: spearman_max
            value: 0.6695224924884773
            name: Spearman Max
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev 256
          type: sts-dev-256
        metrics:
          - type: pearson_cosine
            value: 0.6725154983351178
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.6575647130100782
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.6697743652714089
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.6645201863227755
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.6719730940115203
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.6669909427123673
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.6475732494643994
            name: Pearson Dot
          - type: spearman_dot
            value: 0.6294359395183124
            name: Spearman Dot
          - type: pearson_max
            value: 0.6725154983351178
            name: Pearson Max
          - type: spearman_max
            value: 0.6669909427123673
            name: Spearman Max

SentenceTransformer based on BookingCare/bkcare-bert-pretrained

This is a sentence-transformers model finetuned from BookingCare/bkcare-bert-pretrained on the facebook/xnli dataset. 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: BookingCare/bkcare-bert-pretrained
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Training Dataset:
- facebook/xnli
**Languages:**vi

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)

Usage

Direct Usage (Sentence Transformers)

First install the Sentence Transformers library:

pip install -U sentence-transformers

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("nampham1106/bkcare-text-emb-v1.0")
# Run inference
sentences = [
    'Tôi sẽ làm tất cả những gì ông muốn. julius hạ khẩu súng lục .',
    'Tôi sẽ ban cho anh những lời chúc của anh , julius bỏ súng xuống .',
    'Nó đến trong túi 400 pound .',
]
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]

Evaluation

Metrics

Semantic Similarity

Dataset: sts-dev-768
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.6867
spearman_cosine	0.6701
pearson_manhattan	0.6734
spearman_manhattan	0.669
pearson_euclidean	0.6744
spearman_euclidean	0.6701
pearson_dot	0.6867
spearman_dot	0.6701
pearson_max	0.6867
spearman_max	0.6701

Semantic Similarity

Dataset: sts-dev-512
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.6851
spearman_cosine	0.6686
pearson_manhattan	0.6727
spearman_manhattan	0.6683
pearson_euclidean	0.6739
spearman_euclidean	0.6695
pearson_dot	0.6803
spearman_dot	0.6631
pearson_max	0.6851
spearman_max	0.6695