README.md

---
base_model: omarelsayeed/QA_Search
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:40597
- loss:LoggingBAS
widget:
- source_sentence: 'فوري اليومي : عند إضافة أموال الي فوري اليومي يكون هناك اختيارين
    بين إضافة مبلغ أو اختيار عدد وثائق'
  sentences:
  - انا حولت مبلغ ٢٠٠٠٠ج يوم ٢٠/١٠/٢٠٢٤ ولم تصل الي حسابي فوري وقدمت شكوي ولم يرد
    عليا نهاءيا
  - الرجاء إضافة الحجز لتذاكر القطار .
  - الرجاء إضافة الحجز لتذاكر القطار .
- source_sentence: تحويل من فودافون كاش الي البطاقه البنكيه
  sentences:
  - شحن رصيد عملات على تطبيق التيك توك
  - توفير الاجهزه لمعارض الموتسكلات والدفع بالتقسيط عن طريق فورى وتغطية مناطق منشأة
    البكارى وكرداسه و ناهيه لعدم توافر مناديب اومشرف. فى المناطق غير متوفر الخدمات
    من فورى بها
  - اضافه حجز القطارات على البرنامج
- source_sentence: ارجو التواصل معي حيث انكم لا تردون علي رقمي ولا استطيع ايجاد حل
    لمشكلتي 01080179030
  sentences:
  - زياده افراد العمل لدي خدمة العملاء
  - هّلَ يَمًکْنِ تٌحًوٌيَلَ نِقُوٌدٍ مًنِ آلَآنِسِتٌآ بًآيَ بًنِفُسِ رقُمً آلَفُوٌنِ
    لَلَکْآرتٌ آلَآصّفُر بًنِفُسِ رقُمً آلَمًوٌبًآيَلَ
  - هذا الابلكيشن سئ
- source_sentence: 1- عايز رسايل SMS بكل سحب وايداع 2- عايز اقدر احول إلى محفظة مثل
    فودافون كاش من التطبيق علطول
  sentences:
  - تحويل الفلوس للمحافظ الالكترونيه والبطاقات البنكيه الاخري لتحسين جودة الخدمه
  - هل من الممكن وضع الوضع المظلم في البرنامج
  - تحويل المبلغ من الادخار الي حسابي الشخصي في البنك مباشرة
- source_sentence: يوجد مشكله من شهر ولم يتم الانتهاء من الحل حتي الان عند عمل تحويل
    من كارت الائتمان يتم رفض العمليه.....
  sentences:
  - تحويل الأموال للحسابات البنكية
  - في خدمه غير متوجده علي الابلكيشان ارجو المساعده واظافه الخدمه 77178 تحصيلات العربي
  - ممكن اقدم على طلب تقسيط ليه طلب اترفض في اول مرا
---

# SentenceTransformer based on omarelsayeed/QA_Search

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [omarelsayeed/QA_Search](https://huggingface.co/omarelsayeed/QA_Search). It maps sentences & paragraphs to a 256-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:** [omarelsayeed/QA_Search](https://huggingface.co/omarelsayeed/QA_Search) <!-- at revision 1714c8f70fa4550f723c8345fc222bdd06b8e137 -->
- **Maximum Sequence Length:** 30 tokens
- **Output Dimensionality:** 256 dimensions
- **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': 30, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    'يوجد مشكله من شهر ولم يتم الانتهاء من الحل حتي الان عند عمل تحويل من كارت الائتمان يتم رفض العمليه.....',
    'في خدمه غير متوجده علي الابلكيشان ارجو المساعده واظافه الخدمه 77178 تحصيلات العربي',
    'ممكن اقدم على طلب تقسيط ليه طلب اترفض في اول مرا',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 256]

# 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.*
-->

<!--
## 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 Dataset

#### Unnamed Dataset


* Size: 40,597 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
  |         | sentence_0                                                                        | sentence_1                                                                        | label                                                            |
  |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------|
  | type    | string                                                                            | string                                                                            | float                                                            |
  | details | <ul><li>min: 3 tokens</li><li>mean: 13.93 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: 3 tokens</li><li>mean: 14.83 tokens</li><li>max: 30 tokens</li></ul> | <ul><li>min: -1.0</li><li>mean: -0.48</li><li>max: 1.0</li></ul> |
* Samples:
  | sentence_0                                  | sentence_1                                                         | label             |
  |:--------------------------------------------|:-------------------------------------------------------------------|:------------------|
  | <code>تحويل للمحافظ الإلكترونية</code>      | <code>تحويل إلي المحفظة الإلكترونية مثل فودافون كاش و خلافه</code> | <code>1.0</code>  |
  | <code>تحويل نقود على فودافون كاش</code>     | <code>محفظه الموبايل</code>                                        | <code>-1.0</code> |
  | <code>تحويل علي المحافظه الالكترونيه</code> | <code>تحويل الاموال من فوري لمحافظ فودافون كاش رجاء</code>         | <code>1.0</code>  |
* Loss: <code>__main__.LoggingBAS</code> with these parameters:
  ```json
  {
      "loss_fct": "torch.nn.modules.loss.MSELoss"
  }
  ```

### Training Hyperparameters
#### Non-Default Hyperparameters

- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `num_train_epochs`: 2
- `multi_dataset_batch_sampler`: round_robin

#### All Hyperparameters
<details><summary>Click to expand</summary>

- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: no
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 1
- `eval_accumulation_steps`: None
- `torch_empty_cache_steps`: None
- `learning_rate`: 5e-05
- `weight_decay`: 0.0
- `adam_beta1`: 0.9
- `adam_beta2`: 0.999
- `adam_epsilon`: 1e-08
- `max_grad_norm`: 1
- `num_train_epochs`: 2
- `max_steps`: -1
- `lr_scheduler_type`: linear
- `lr_scheduler_kwargs`: {}
- `warmup_ratio`: 0.0
- `warmup_steps`: 0
- `log_level`: passive
- `log_level_replica`: warning
- `log_on_each_node`: True
- `logging_nan_inf_filter`: True
- `save_safetensors`: True
- `save_on_each_node`: False
- `save_only_model`: False
- `restore_callback_states_from_checkpoint`: False
- `no_cuda`: False
- `use_cpu`: False
- `use_mps_device`: False
- `seed`: 42
- `data_seed`: None
- `jit_mode_eval`: False
- `use_ipex`: False
- `bf16`: False
- `fp16`: False
- `fp16_opt_level`: O1
- `half_precision_backend`: auto
- `bf16_full_eval`: False
- `fp16_full_eval`: False
- `tf32`: None
- `local_rank`: 0
- `ddp_backend`: None
- `tpu_num_cores`: None
- `tpu_metrics_debug`: False
- `debug`: []
- `dataloader_drop_last`: False
- `dataloader_num_workers`: 0
- `dataloader_prefetch_factor`: None
- `past_index`: -1
- `disable_tqdm`: False
- `remove_unused_columns`: True
- `label_names`: None
- `load_best_model_at_end`: False
- `ignore_data_skip`: False
- `fsdp`: []
- `fsdp_min_num_params`: 0
- `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
- `fsdp_transformer_layer_cls_to_wrap`: None
- `accelerator_config`: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch
- `optim_args`: None
- `adafactor`: False
- `group_by_length`: False
- `length_column_name`: length
- `ddp_find_unused_parameters`: None
- `ddp_bucket_cap_mb`: None
- `ddp_broadcast_buffers`: False
- `dataloader_pin_memory`: True
- `dataloader_persistent_workers`: False
- `skip_memory_metrics`: True
- `use_legacy_prediction_loop`: False
- `push_to_hub`: False
- `resume_from_checkpoint`: None
- `hub_model_id`: None
- `hub_strategy`: every_save
- `hub_private_repo`: False
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `eval_do_concat_batches`: True
- `fp16_backend`: auto
- `push_to_hub_model_id`: None
- `push_to_hub_organization`: None
- `mp_parameters`: 
- `auto_find_batch_size`: False
- `full_determinism`: False
- `torchdynamo`: None
- `ray_scope`: last
- `ddp_timeout`: 1800
- `torch_compile`: False
- `torch_compile_backend`: None
- `torch_compile_mode`: None
- `dispatch_batches`: None
- `split_batches`: None
- `include_tokens_per_second`: False
- `include_num_input_tokens_seen`: False
- `neftune_noise_alpha`: None
- `optim_target_modules`: None
- `batch_eval_metrics`: False
- `eval_on_start`: False
- `use_liger_kernel`: False
- `eval_use_gather_object`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin

</details>

### Training Logs
| Epoch  | Step | Training Loss |
|:------:|:----:|:-------------:|
| 0.1970 | 500  | 1.0946        |
| 0.3940 | 1000 | 0.894         |
| 0.5910 | 1500 | 0.8248        |
| 0.7880 | 2000 | 0.8007        |
| 0.9850 | 2500 | 0.7938        |
| 1.1820 | 3000 | 0.7666        |
| 1.3790 | 3500 | 0.7409        |
| 1.5760 | 4000 | 0.7377        |
| 1.7730 | 4500 | 0.7262        |
| 1.9701 | 5000 | 0.7302        |


### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.3.1
- 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",
}
```

<!--
## 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.*
-->