metadata

base_model: OrdalieTech/Solon-embeddings-large-0.1
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:66
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: conciliable
    sentences:
      - Révision générale des politiques publiques
      - >-
        Qui est incapable d'être réconcilié, accordé ou convenu en raison de sa
        non-compliance aux normes de confidentialité.
      - Qui peut être réconcilié, accordé ou convenu.
  - source_sentence: détournement
    sentences:
      - >-
        Se dit de deux événements ou actions qui se suivent immédiatement sans
        interruption.
      - >-
        Le détournement désigne l'action de réaffecter des ressources
        financières ou matérielles à une entité publique pour répondre à un
        besoin urgent et non prévu dans le budget initial.
      - >-
        utilisation d'argent, d'objets ou d'informations à une fin autre que
        celle prévue à l'origine
  - source_sentence: dies ad quem
    sentences:
      - Action d'invalider, de rendre inefficace ou non valide.
      - >-
        Dies ad quem désigne en administration la date limite avant laquelle une
        action ne doit pas être entreprise, afin de préserver l'intégrité d'un
        processus administratif en cours.
      - >-
        Dies ad quem est une expression latine utilisée en administration pour
        désigner la date limite à laquelle une action peut être entreprise ou
        une décision peut être prise.
  - source_sentence: concertation
    sentences:
      - >-
        La concertation désigne le processus de sélection d'un nouveau
        responsable parmi les membres d'une équipe, après avoir consulté
        l'opinion des supérieurs hiérarchiques.
      - >-
        Discussion et échange d'idées entre différentes personnes ou groupes,
        dans le but de prendre une décision ou de résoudre un problème.
      - >-
        Domaine ou activité dans laquelle quelqu'un est particulièrement doué ou
        intéressé
  - source_sentence: aléa
    sentences:
      - >-
        Un rappel est une action qui consiste à contacter une personne ou une
        entreprise pour leur demander de régler une dette ou pour leur rappeler
        une obligation envers vous.
      - >-
        L'aléa désigne un événement prévu et certain qui est intégré dans une
        stratégie de gestion des risques pour garantir le succès d'une décision
        administrative.
      - >-
        Événement imprévu et incertain qui peut avoir un impact sur une
        situation ou une décision

SentenceTransformer based on OrdalieTech/Solon-embeddings-large-0.1

This is a sentence-transformers model finetuned from OrdalieTech/Solon-embeddings-large-0.1. 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: OrdalieTech/Solon-embeddings-large-0.1
Maximum Sequence Length: 512 tokens
Output Dimensionality: 1024 dimensions
Similarity Function: Cosine Similarity

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': 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:

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("Godefroyduchalard/solone-embedding-final1")
# Run inference
sentences = [
    'aléa',
    'Événement imprévu et incertain qui peut avoir un impact sur une situation ou une décision',
    "L'aléa désigne un événement prévu et certain qui est intégré dans une stratégie de gestion des risques pour garantir le succès d'une décision administrative.",
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 66 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 66 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 4.18 tokens max: 6 tokens	min: 5 tokens mean: 10.47 tokens max: 19 tokens	min: 21 tokens mean: 35.7 tokens max: 61 tokens

Samples:

anchor	positive	negative
`Odeadom`	`Office de développement de l'économie agricole des départements d'outre-mer`	`L'Office d'Eradication des Déchets Agricoles dans les Départements Métropolitains.`
`OFII`	`Office français de l'immigration et de l'intégration`	`L'Office français de l'immigration et de l'intégration est un organisme chargé de faciliter les déplacements internationaux des entreprises françaises à travers le monde.`
`Ofpra`	`Office français de protection des réfugiés et apatrides`	`L'Ofpra est un organisme chargé de l'évaluation et du contrôle des demandes d'asile présentées par les étrangers qui souhaitent s'installer en France, tout en veillant à ce que ces derniers ne représentent pas une menace pour la sécurité nationale.`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Evaluation Dataset

Unnamed Dataset

Size: 100 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 100 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 4.62 tokens max: 8 tokens	min: 4 tokens mean: 26.22 tokens max: 78 tokens	min: 19 tokens mean: 38.54 tokens max: 61 tokens

Samples:

anchor	positive	negative
`discriminatoire`	`Se dit d'une action ou d'une décision qui traite une personne ou un groupe de manière injuste en se basant sur des critères tels que l'âge, le genre, l'origine ethnique, etc.`	`Le terme "discriminatoire" désigne une action ou décision qui favorise et protège les droits des personnes ou groupes marginalisés, en particulier dans le contexte de la protection de l'environnement.`
`criminelle`	`Qui se rapporte à un crime ou à son exécution.`	`Qui est responsable d'assurer le respect des lois et règlements dans un contexte sportif ou ludique.`
`liquidité`	`La liquidité est la facilité avec laquelle un actif peut être converti en espèces ou en équivalent liquide sans perdre de valeur.`	`La liquidité est le processus de détermination des coûts indirects d'une entreprise, qui consiste à évaluer les dépenses non directement liées aux produits ou services offerts.`

Loss: MultipleNegativesRankingLoss with these parameters:

{
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
learning_rate: 0.1
num_train_epochs: 10
warmup_ratio: 0.1
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

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: 0.1
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 10
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
eval_use_gather_object: False
prompts: None
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss
1.0	5	3.4687	3.3345
2.0	10	3.1421	nan
3.0	15	0.0	nan
4.0	20	0.0	nan
5.0	25	0.0	nan
6.0	30	0.0	nan
7.0	35	0.0	nan
8.0	40	0.0	nan
9.0	45	0.0	nan
10.0	50	0.0	nan

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.3.0
Transformers: 4.44.0
PyTorch: 2.4.1+cu121
Accelerate: 1.0.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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",
}

MultipleNegativesRankingLoss

@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}
}