metadata

base_model: intfloat/multilingual-e5-base
datasets:
  - rztk/rozetka_positive_pairs
language: []
library_name: sentence-transformers
metrics:
  - dot_accuracy@1
  - dot_accuracy@3
  - dot_accuracy@5
  - dot_accuracy@10
  - dot_precision@1
  - dot_precision@3
  - dot_precision@5
  - dot_precision@10
  - dot_recall@1
  - dot_recall@3
  - dot_recall@5
  - dot_recall@10
  - dot_ndcg@10
  - dot_mrr@10
  - dot_map@100
  - dot_ndcg@1
  - dot_mrr@1
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:44800
  - loss:RZTKMatryoshka2dLoss
widget:
  - source_sentence: папка планшет
    sentences:
      - >-
        <category>Сифони</category><brand>Alcaplast</brand><options><option_title>Гарантія</option_title><option_value>24
        місяці офіційної гарантії від
        виробника</option_value><option_title>Кількість вантажних
        місць</option_title><option_value>1</option_value><option_title>Країна-виробник
        товару</option_title><option_value>Чехія</option_value><option_title>Призначення</option_title><option_value>Для
        душових
        піддонів</option_value><option_title>Матеріал</option_title><option_value>Пластик</option_value><option_title>Вид</option_title><option_value>Пляшковий</option_value><option_title>Під'єднані
        до пральної
        машини</option_title><option_value>Немає</option_value><option_title>Колір</option_title><option_value>Білий
        +
        Хром</option_value><option_title>Тип</option_title><option_value>Сифон</option_value><option_title>Теги</option_title><option_value>недорогий
        сифон</option_value><option_title>відкривання/перекриття зливних
        отворів</option_title><option_value>Неперекривний</option_value><option_title>Різновид
        гідрозатвора</option_title><option_value>Мокрий (без
        мембрани)</option_value><option_title>Діаметр
        під'єднання</option_title><option_value>90
        мм</option_value><option_title>Діаметр патрубка в
        каналізацію</option_title><option_value>40
        мм</option_value><option_title>Переливання</option_title><option_value>Без
        функції переливу</option_value><option_title>Тип гарантійного
        талона</option_title><option_value>Гарантія по
        чеку</option_value><option_title>Доставка
        Premium</option_title><option_title>Доставка</option_title><option_value>Доставка
        в магазини ROZETKA</option_value></options>
      - Сифон для душевого поддона ALCA PLAST A49CR (8594045930627)
      - >-
        <category>Папки-планшеты</category><brand>iTEM</brand><options><option_title>Формат</option_title><option_value>A4</option_value><option_title>Материал</option_title><option_value>Картон</option_value><option_title>Страна
        регистрации
        бренда</option_title><option_value>Украина</option_value><option_title>Страна-производитель
        товара</option_title><option_value>Украина</option_value></options>
  - source_sentence: вино игристое
    sentences:
      - >-
        Женские резиновые сапоги Demar HAWAI LADY 0076V 36 (23.8 см) Черные
        (5901232011374)
      - Верстак складной Ryobi RWB01
      - Вино ігристе Adamanti біле напівсолодке 0.75 л 12.5% (4860004073259)
  - source_sentence: елка искуственная
    sentences:
      - >-
        <category>Підставки та столики для
        ноутбуків</category><brand>UFT</brand><options><option_title>Вид</option_title><option_value>Столики</option_value><option_title>Охолодження</option_title><option_value>Активне</option_value><option_title>Максимальна
        діагональ
        ноутбука</option_title><option_value>16"</option_value><option_title>Колір</option_title><option_value>Синій</option_value><option_title>Матеріал</option_title><option_value>Метал</option_value><option_title>Кількість
        вантажних місць</option_title><option_value>1</option_value></options>
      - Декоративная елка, 90см (122-F12)
      - Конструктор LEGO Minecraft Гарбузова ферма 257 деталей (21248)
  - source_sentence: переходник
    sentences:
      - Штучна ялинка «Ніка» 1.8 м
      - Набір інструментів NEO торцевих головок 108 шт., 1, 4, 1/2 "CrV (08-666)
      - >-
        <category>Кабели и
        адаптеры</category><brand>Protech</brand><options><option_title>Гарантия</option_title><option_value>6
        месяцев</option_value><option_title>Длина</option_title><option_value>0.2
        м</option_value><option_title>Тип</option_title><option_value>Адаптеры
        (Переходники)</option_value><option_title>Количество грузовых
        мест</option_title><option_value>1</option_value><option_title>Страна
        регистрации
        бренда</option_title><option_value>Китай</option_value><option_title>Страна-производитель
        товара</option_title><option_value>Китай</option_value><option_title>Цвет</option_title><option_value>Серебристый</option_value><option_title>Тип
        гарантийного талона</option_title><option_value>Гарантия по
        чеку</option_value><option_title>Доставка
        Premium</option_title><option_title>Тип коннектора
        1</option_title><option_value>USB Type-C</option_value><option_title>Тип
        коннектора 2</option_title><option_value>USB</option_value></options>
  - source_sentence: поилка для детей
    sentences:
      - Шафа розпашній Fenster Оксфорд Лагуна
      - >-
        <category>Аксессуары для
        наушников</category><brand>ArmorStandart</brand><options><option_title>Гарантия</option_title><option_value>14
        дней</option_value><option_title>Тип
        наушников</option_title><option_value>Вкладыши</option_value><option_title>Вид</option_title><option_value>Чехлы</option_value><option_title>Цвет</option_title><option_value>Dark
        Green</option_value><option_title>Количество грузовых
        мест</option_title><option_value>1</option_value><option_title>Страна
        регистрации
        бренда</option_title><option_value>Украина</option_value><option_title>Страна-производитель
        товара</option_title><option_value>Китай</option_value><option_title>Тип
        гарантийного талона</option_title><option_value>Гарантия по
        чеку</option_value><option_title>Материал</option_title><option_value>Силикон</option_value><option_title>Доставка
        Premium</option_title><option_title>Совместимая
        серия</option_title><option_value>Apple
        AirPods</option_value><option_title>Доставка</option_title><option_value>Доставка
        в магазины ROZETKA</option_value></options>
      - >-
        <category>Поїльники та
        непроливайки</category><brand>Nuk</brand><options><option_title>Стать
        дитини</option_title><option_value>Хлопчик</option_value><option_title>Стать
        дитини</option_title><option_value>Дівчинка</option_value><option_title>Кількість
        вантажних
        місць</option_title><option_value>1</option_value><option_title>Країна
        реєстрації
        бренда</option_title><option_value>Німеччина</option_value><option_title>Країна-виробник
        товару</option_title><option_value>Німеччина</option_value><option_title>Об'єм,
        мл</option_title><option_value>300</option_value><option_title>Матеріал</option_title><option_value>Пластик</option_value><option_title>Колір</option_title><option_value>Блакитний</option_value><option_title>Тип</option_title><option_value>Поїльник</option_value><option_title>Тип
        гарантійного талона</option_title><option_value>Гарантія по
        чеку</option_value><option_title>Доставка
        Premium</option_title></options>
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-base
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: rusisms uk title
          type: rusisms-uk-title
        metrics:
          - type: dot_accuracy@1
            value: 0.5428571428571428
            name: Dot Accuracy@1
          - type: dot_accuracy@3
            value: 0.6888888888888889
            name: Dot Accuracy@3
          - type: dot_accuracy@5
            value: 0.7492063492063492
            name: Dot Accuracy@5
          - type: dot_accuracy@10
            value: 0.8
            name: Dot Accuracy@10
          - type: dot_precision@1
            value: 0.5428571428571428
            name: Dot Precision@1
          - type: dot_precision@3
            value: 0.5216931216931217
            name: Dot Precision@3
          - type: dot_precision@5
            value: 0.5034920634920634
            name: Dot Precision@5
          - type: dot_precision@10
            value: 0.47682539682539676
            name: Dot Precision@10
          - type: dot_recall@1
            value: 0.009248137199056617
            name: Dot Recall@1
          - type: dot_recall@3
            value: 0.023803562659985587
            name: Dot Recall@3
          - type: dot_recall@5
            value: 0.03509680885707945
            name: Dot Recall@5
          - type: dot_recall@10
            value: 0.05987127144737185
            name: Dot Recall@10
          - type: dot_ndcg@10
            value: 0.4936504584984999
            name: Dot Ndcg@10
          - type: dot_mrr@10
            value: 0.6286608717561099
            name: Dot Mrr@10
          - type: dot_map@100
            value: 0.14035920755466383
            name: Dot Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: 'rusisms uk title  matryoshka dim 768  '
          type: rusisms-uk-title--matryoshka_dim-768--
        metrics:
          - type: dot_accuracy@1
            value: 0.1619047619047619
            name: Dot Accuracy@1
          - type: dot_precision@1
            value: 0.1619047619047619
            name: Dot Precision@1
          - type: dot_recall@1
            value: 0.0020219082190057404
            name: Dot Recall@1
          - type: dot_ndcg@1
            value: 0.1619047619047619
            name: Dot Ndcg@1
          - type: dot_mrr@1
            value: 0.1619047619047619
            name: Dot Mrr@1
          - type: dot_map@100
            value: 0.02128340409566104
            name: Dot Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: 'rusisms uk title  matryoshka dim 512  '
          type: rusisms-uk-title--matryoshka_dim-512--
        metrics:
          - type: dot_accuracy@1
            value: 0.14603174603174604
            name: Dot Accuracy@1
          - type: dot_precision@1
            value: 0.14603174603174604
            name: Dot Precision@1
          - type: dot_recall@1
            value: 0.0016964404522008209
            name: Dot Recall@1
          - type: dot_ndcg@1
            value: 0.14603174603174604
            name: Dot Ndcg@1
          - type: dot_mrr@1
            value: 0.14603174603174604
            name: Dot Mrr@1
          - type: dot_map@100
            value: 0.015212846443877073
            name: Dot Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: 'rusisms uk title  matryoshka dim 256  '
          type: rusisms-uk-title--matryoshka_dim-256--
        metrics:
          - type: dot_accuracy@1
            value: 0.10158730158730159
            name: Dot Accuracy@1
          - type: dot_precision@1
            value: 0.10158730158730159
            name: Dot Precision@1
          - type: dot_recall@1
            value: 0.0012653450153450154
            name: Dot Recall@1
          - type: dot_ndcg@1
            value: 0.10158730158730159
            name: Dot Ndcg@1
          - type: dot_mrr@1
            value: 0.10158730158730159
            name: Dot Mrr@1
          - type: dot_map@100
            value: 0.011952854173853285
            name: Dot Map@100
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: 'rusisms uk title  matryoshka dim 128  '
          type: rusisms-uk-title--matryoshka_dim-128--
        metrics:
          - type: dot_accuracy@1
            value: 0.05396825396825397
            name: Dot Accuracy@1
          - type: dot_precision@1
            value: 0.05396825396825397
            name: Dot Precision@1
          - type: dot_recall@1
            value: 0.0007494719994719994
            name: Dot Recall@1
          - type: dot_ndcg@1
            value: 0.05396825396825397
            name: Dot Ndcg@1
          - type: dot_mrr@1
            value: 0.05396825396825397
            name: Dot Mrr@1
          - type: dot_map@100
            value: 0.0053781586003166125
            name: Dot Map@100

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base on the rztk/rozetka_positive_pairs 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: intfloat/multilingual-e5-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Training Dataset:
- rztk/rozetka_positive_pairs

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: 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})
  (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("sentence_transformers_model_id")
# Run inference
sentences = [
    'поилка для детей',
    "<category>Поїльники та непроливайки</category><brand>Nuk</brand><options><option_title>Стать дитини</option_title><option_value>Хлопчик</option_value><option_title>Стать дитини</option_title><option_value>Дівчинка</option_value><option_title>Кількість вантажних місць</option_title><option_value>1</option_value><option_title>Країна реєстрації бренда</option_title><option_value>Німеччина</option_value><option_title>Країна-виробник товару</option_title><option_value>Німеччина</option_value><option_title>Об'єм, мл</option_title><option_value>300</option_value><option_title>Матеріал</option_title><option_value>Пластик</option_value><option_title>Колір</option_title><option_value>Блакитний</option_value><option_title>Тип</option_title><option_value>Поїльник</option_value><option_title>Тип гарантійного талона</option_title><option_value>Гарантія по чеку</option_value><option_title>Доставка Premium</option_title></options>",
    'Шафа розпашній Fenster Оксфорд Лагуна',
]
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

Information Retrieval

Dataset: rusisms-uk-title
Evaluated with InformationRetrievalEvaluator

Metric	Value
dot_accuracy@1	0.5429
dot_accuracy@3	0.6889
dot_accuracy@5	0.7492
dot_accuracy@10	0.8
dot_precision@1	0.5429
dot_precision@3	0.5217
dot_precision@5	0.5035
dot_precision@10	0.4768
dot_recall@1	0.0092
dot_recall@3	0.0238
dot_recall@5	0.0351
dot_recall@10	0.0599
dot_ndcg@10	0.4937
dot_mrr@10	0.6287
dot_map@100	0.1404

Information Retrieval

Dataset: rusisms-uk-title--matryoshka_dim-768--
Evaluated with InformationRetrievalEvaluator

Metric	Value
dot_accuracy@1	0.1619
dot_precision@1	0.1619
dot_recall@1	0.002
dot_ndcg@1	0.1619
dot_mrr@1	0.1619
dot_map@100	0.0213

Information Retrieval

Dataset: rusisms-uk-title--matryoshka_dim-512--
Evaluated with InformationRetrievalEvaluator

Metric	Value
dot_accuracy@1	0.146
dot_precision@1	0.146
dot_recall@1	0.0017
dot_ndcg@1	0.146
dot_mrr@1	0.146
dot_map@100	0.0152

Information Retrieval

Dataset: rusisms-uk-title--matryoshka_dim-256--
Evaluated with InformationRetrievalEvaluator

Metric	Value
dot_accuracy@1	0.1016
dot_precision@1	0.1016
dot_recall@1	0.0013
dot_ndcg@1	0.1016
dot_mrr@1	0.1016
dot_map@100	0.012

Information Retrieval

Dataset: rusisms-uk-title--matryoshka_dim-128--
Evaluated with InformationRetrievalEvaluator

Metric	Value
dot_accuracy@1	0.054
dot_precision@1	0.054
dot_recall@1	0.0007
dot_ndcg@1	0.054
dot_mrr@1	0.054
dot_map@100	0.0054

Training Details

Training Dataset

rztk/rozetka_positive_pairs

Dataset: rztk/rozetka_positive_pairs
Size: 44,800 training samples
Columns: query and text
Approximate statistics based on the first 1000 samples:
query text
type string string
details
min: 3 tokens
mean: 7.18 tokens
max: 16 tokens

min: 9 tokens
mean: 158.88 tokens
max: 512 tokens

	query	text
type	string	string
details	min: 3 tokens mean: 7.18 tokens max: 16 tokens	min: 9 tokens mean: 158.88 tokens max: 512 tokens

Samples:

query	text
`p smart z`	`TPU чехол Ultrathin Series 0,33 mm для Huawei P Smart Z Безбарвний (прозорий)`
`p smart z`	`Чохли для мобільних телефонівМатеріалСиліконКолірTransparentСумісна модельP Smart Z`
`p smart z`	`TPU чехол Ultrathin Series 0,33mm для Huawei P Smart Z Бесцветный (прозрачный)`

Loss: sentence_transformers_training.model.matryoshka2d_loss.RZTKMatryoshka2dLoss with these parameters:

{
    "loss": "RZTKMultipleNegativesRankingLoss",
    "n_layers_per_step": 1,
    "last_layer_weight": 1.0,
    "prior_layers_weight": 1.0,
    "kl_div_weight": 1.0,
    "kl_temperature": 0.3,
    "matryoshka_dims": [
        768,
        512,
        256,
        128
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": 1
}

Evaluation Dataset

rztk/rozetka_positive_pairs

Dataset: rztk/rozetka_positive_pairs
Size: 4,480 evaluation samples
Columns: query and text
Approximate statistics based on the first 1000 samples:
query text
type string string
details
min: 3 tokens
mean: 6.29 tokens
max: 11 tokens

min: 12 tokens
mean: 161.36 tokens
max: 512 tokens

	query	text
type	string	string
details	min: 3 tokens mean: 6.29 tokens max: 11 tokens	min: 12 tokens mean: 161.36 tokens max: 512 tokens

Samples:

query	text
`кошелек женский`	`Портмоне BAELLERRY Forever N2345 Черный (020354)`
`кошелек женский`	`ГаманціBaellerryДля когоДля жінокВидПортмонеМатеріалШтучна шкіраКраїна-виробник товаруКитай`
`кошелек женский`	`Портмоне BAELLERRY Forever N2345 Черный (020354)`

Loss: sentence_transformers_training.model.matryoshka2d_loss.RZTKMatryoshka2dLoss with these parameters:

{
    "loss": "RZTKMultipleNegativesRankingLoss",
    "n_layers_per_step": 1,
    "last_layer_weight": 1.0,
    "prior_layers_weight": 1.0,
    "kl_div_weight": 1.0,
    "kl_temperature": 0.3,
    "matryoshka_dims": [
        768,
        512,
        256,
        128
    ],
    "matryoshka_weights": [
        1,
        1,
        1,
        1
    ],
    "n_dims_per_step": 1
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 112
per_device_eval_batch_size: 112
torch_empty_cache_steps: 30
learning_rate: 2e-05
num_train_epochs: 1.0
warmup_ratio: 0.1
bf16: True
bf16_full_eval: True
tf32: True
dataloader_num_workers: 2
load_best_model_at_end: True
optim: adafactor
push_to_hub: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 112
per_device_eval_batch_size: 112
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
torch_empty_cache_steps: 30
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: 1.0
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: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: True
fp16_full_eval: False
tf32: True
local_rank: 0
ddp_backend: None
tpu_num_cores: None
tpu_metrics_debug: False
debug: []
dataloader_drop_last: True
dataloader_num_workers: 2
dataloader_prefetch_factor: None
past_index: -1
disable_tqdm: False
remove_unused_columns: True
label_names: None
load_best_model_at_end: True
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: adafactor
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: True
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: batch_sampler
multi_dataset_batch_sampler: proportional
ddp_static_graph: False
ddp_comm_hook: bf16
gradient_as_bucket_view: False

Training Logs

Epoch	Step	Training Loss	loss	rusisms-uk-title--matryoshka_dim-128--_dot_map@100	rusisms-uk-title--matryoshka_dim-256--_dot_map@100	rusisms-uk-title--matryoshka_dim-512--_dot_map@100	rusisms-uk-title--matryoshka_dim-768--_dot_map@100	rusisms-uk-title_dot_map@100
0.1	10	6.6103	-	-	-	-	-	-
0.2	20	5.524	-	-	-	-	-	-
0.3	30	4.759	3.6444	-	-	-	-	-
0.4	40	4.5195	-	-	-	-	-	-
0.5	50	3.6598	-	-	-	-	-	-
0.6	60	3.7912	2.8962	-	-	-	-	-
0.7	70	3.9935	-	-	-	-	-	-
0.8	80	3.3929	-	-	-	-	-	-
0.9	90	3.6101	2.6889	-	-	-	-	-
1.0	100	3.8753	-	0.0054	0.0120	0.0152	0.0213	0.1404

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.12.6
Sentence Transformers: 3.0.1
Transformers: 4.45.1
PyTorch: 2.4.1
Accelerate: 0.34.2
Datasets: 3.0.0
Tokenizers: 0.20.0

Citation

BibTeX

Sentence Transformers

@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",
}