File size: 32,724 Bytes
bd6c78f |
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 |
---
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:135
- loss:TripletLoss
widget:
- source_sentence: Возвратная коробка
sentences:
- Проверьте коробки. На каждой коробке есть транспортировочная наклейка. Прежде
чем принять коробку на баланс, сверьте адрес на наклейке с фактическим адресом
вашего пункта выдачи. Если адрес совпал, переходите к следующему шагу.
- упаковка, в которой заказы приходят в пункт выдачи.
- упаковка, в которой невостребованные товары отправляют обратно на склад.
- source_sentence: Какие товары требуют особой внимательности при приеме?
sentences:
- 'Будьте внимательны, когда принимаете технически сложные товары. Всегда делайте
это под камерами, чтобы зафиксировать, в каком состоянии вещь приехала в пункт
выдачи. Так у вас будет доказательство на случай спорной ситуации. '
- 'Если при возврате нет вшивной бирки: покупателю нужно будет оформить заявку на
брак через профиль на Wildberries. Только когда заявку одобрят, вы сможете принять
возврат в пункте выдачи. Если покупатель не знает, как оформить заявку, помогите
ему. Инструкция есть в разделе “Как создать заявку на возврат в профиле покупателя”'
- 'Если недостача произошла не по вашей вине, оспорьте вычет через «Заявку на оспаривание»
в программе NPOS. В форме есть поле «Назначить на ревизию» — из выпадающего списка
нужно выбрать склад или сортировочный центр (СЦ), где будут разбираться в ситуации. Задача
менеджера — по истории штрихкода правильно определить место, где товар сканировали
в последний раз. Ниже рассказываем, как это сделать. Чтобы правильно выбрать
склад или СЦ, ориентируйтесь на историю перемещений товара: вещь могут подменить,
не принять на складе или потерять в пути.'
- source_sentence: Сколько времени может занять возврат денег покупателю?
sentences:
- 'При возврате деньги вернутся покупателю на счет в течение 14 рабочих дней — точные
сроки зависят от банка. '
- От неотказного товара надлежащего качества нельзя отказаться после оформления
заказа. К таким товарам относятся скоропортящиеся продукты и вещи, которые не
подлежат возврату из-за требований безопасности или санитарных стандартов.
- 'В фирменных пунктах выдачи Wildberries используют один из этих сканеров: - Zebra
DS2278 - MERTECH - MINDEO'
- source_sentence: Что должно быть видно на камерах?
sentences:
- товар, который нельзя вернуть.
- 'Удержать выплаты могут за: -Проблемы с дисциплиной: если опаздываете, уходите
раньше, прогуливаете без уважительной причины, не соблюдаете чистоту и порядок
в пункте, грубо общаетесь с покупателями, неопрятно выглядите. - Ущерб компании:
если умышленно портите товары или ценности в пункте выдачи. - Низкие показатели:
если у вас плохой рейтинг, вы нарушаете сроки приёмки.'
- 'Сверяйтесь с этим чек-листом в течение дня. Советуем приходить хотя бы за 30
минут до смены, чтобы спокойно подготовиться к открытию 1. Осмотрите пункт выдачи: -
Нет следов взлома или протечек - Сообщить руководителю, какие коробки пришли,
а какие — нет - Проверить оборудование: всё должно работать 2. Осмотрите стол
менеджера: - На столе чисто: нет мусора и личных вещей - Нет следов скотча и
маркера - Есть ножницы, канцелярский нож, маркеры, скотч и возвратные наклейки
- Есть пакеты всех 4 размеров: большой, средний, маленький и пакет-майка - Провода
лежат аккуратно, не путаются 3. Откройте рабочую программу: - Убедиться, что
интернет работает - Войти в NPOS Если не знаете пароль от компьютера или WiFi,
обратитесь к руководителю 4. Проверьте камеры: - Видеонаблюдение работает: есть
онлайн-трансляция в разделе «Видеонаблюдение» или в программе DMSS - На камерах
видно основные зоны: клиентскую и склад 5. Примите товары: - Проверить, что
адрес на коробках совпадает с адресом ПВЗ - Принять и разобрать коробки - Разложить
товары из приходных коробок по ячейкам - Вернуться в раздел «Приёмка» и нажать
на кнопку «Разбор окончен» Принимайте и разбирайте коробки только под камерой
видеонаблюдения Нельзя принять больше 10 коробок одновременно. Отсканируйте первые
10 коробок, разберите их, а потом переходите к следующим 10 коробкам 6. Соберите
возвраты: - Создать возвратную коробку - Добавить в коробку отказные и невостребованные
товары 7. Напишите руководителю: - Сообщить, что пункт готов к работе - Рассказать
о проблемах, если они есть 8. Откройте пункт и начните выдавать заказы: - Проверять
товар на брак под камерами вместе с покупателем перед примеркой - После примерки
проверять, что товар не подменили и не испортили внешний вид - Сверять штрихкоды
на пакетах, чтобы не перепутать товары между собой - Если брак есть, сразу отмечать
его в программе - Если брак на неотказном или невозвратном товаре, помочь покупателю
с заявкой на возврат - Озвучивать покупателю количество товаров и общую сумму
перед оплатой - Проверять, что деньги списались Сейчас заказы часто оплачивают
через WB Кошелёк. Спросите у покупателя, есть ли на счёте деньги, прежде чем списать
оплату 9. Если нужно на перерыв, повесьте на дверь табличку с номером телефона
менеджера, временем начала и окончания перерыва За рабочий день можно сделать
4 перерыва. Каждый — не больше 15 минут 10. Перед закрытием выдайте последний
заказ и подготовьте возвраты: - Закрыть последний заказ в программе - Собрать
отказы, возвраты и невостребованные товары - Отправить отказы клиентов после примерки
и возвраты из дома в тот же день - Проверить вкладку «Вещи в офисе». В ней должны
отображаться только неизвестные товары: с 2 штрихкодами, ишлишки и пересорт Товары,
которые доставили в пункт по ошибке, отправляйте на склад вместе с обычными возвратами 11.
Приведите в порядок ПВЗ: - Прибраться в клиентской зоне и на складе - Оставить
несколько пустых коробок под возвраты на завтра - Порезать остальные коробки и
создать для картона возвратную коробку в программе - Закрыть возвратные коробки
в программе - Поставить коробки с картоном и возвратами под камерой 12. Осмотрите
и закройте пункт: - Нет протечек, замыкания или других проблем - Выключить свет
- Закрыть дверь'
- source_sentence: Как найти нужный товар для возврата, если нет штрихкода?
sentences:
- специальная упаковка для ювелирных изделий и гаджетов.
- Если при возврате товара клиентом штрихкода нет, введите номер покупателя в поисковой
строке через 7, перейдите в профиль клиента, найдите нужный товар в заказах, поставьте
галочку в строке товара, отсканируйте баркод.Продолжайте возврат по обычному сценарию
- Если вы потеряете товар или коробку в пункте выдачи, отправите вещь на склад без
штрихкода или товар не вернётся в сортировочный центр после возврата, программа
посчитает это за недостачу. Из зарплаты удержат сумму в размере стоимости товара.
---
# 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 75c57757a97f90ad739aca51fa8bfea0e485a7f2 -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 768 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': 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("sentence_transformers_model_id")
# Run inference
sentences = [
'Как найти нужный товар для возврата, если нет штрихкода?',
'Если при возврате товара клиентом штрихкода нет, введите номер покупателя в поисковой строке через 7, перейдите в профиль клиента, найдите нужный товар в заказах, поставьте галочку в строке товара, отсканируйте баркод.Продолжайте возврат по обычному сценарию',
'Если вы потеряете товар или коробку в пункте выдачи, отправите вещь на склад без штрихкода или товар не вернётся в сортировочный центр после возврата, программа посчитает это за недостачу. Из зарплаты удержат сумму в размере стоимости товара.',
]
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.*
-->
<!--
## 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: 135 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>sentence_2</code>
* Approximate statistics based on the first 135 samples:
| | sentence_0 | sentence_1 | sentence_2 |
|:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
| type | string | string | string |
| details | <ul><li>min: 4 tokens</li><li>mean: 12.93 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 84.19 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 9 tokens</li><li>mean: 74.71 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| sentence_0 | sentence_1 | sentence_2 |
|:---------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>А что делать, если клиент хочет вернуть товар, который нельзя возвращать?</code> | <code>Невозвратный товар надлежащего качества нельзя вернуть или обменять после покупки, но от него можно отказаться при получении. Такие условия связаны с особыми требованиями к безопасности, гигиеническими стандартами или техническими характеристиками. </code> | <code>Чтобы подключить сканер MERTECH через интернет: -1. Подключите док-станцию от сканера к компьютеру. 2. Подключите к станции сетевой интернет-кабель. 3. Поставьте сканер в док-станцию, и он автоматически подключится к компьютеру.</code> |
| <code>Куда обращаться, если не могу подключиться к Wi-Fi?</code> | <code>Обратитесь к своему руководителю, если возникли проблемы или нестандартные ситуации, такие как:— закончились фирменные пакеты — вы не знаете пароль от компьютера, не можете подключиться к WiFi — вы не знаете ШК офиса — отвязался сканер, возникли сложности с видеонаблюдением или другой техникой — вы хотите, чтобы вас кто-то подменил на время — возникли проблемы с ботом-помощником</code> | <code>Чтобы выдать заказ покупателю, найдите покупателя и проверьте статус заказа. 1. Откройте вкладку «Поиск клиентов» в программе NPOS, отсканируйте QR-код или введите номер вручную 2. Проверьте, готов ли товар к выдаче. Если заказ ещё не приехал, попросите покупателя зайти позже, когда статус изменится на «Готов к выдаче» Если система выдаёт ошибку «Невозможно открыть страницу с информацией о клиенте», закройте вкладку поиска и повторите всё заново. Далее вынесите товары со склада. 3 Сообщите покупателю, сколько товаров в заказе 4. Посмотрите номер ячейки, найдите товары на складе и вынесите их покупателю 5. Пересчитайте товары перед покупателем 6. Если в заказе есть невозвратные или неотказные товары, обязательно предупредите покупателя 7.Попросите покупателя осмотреть товар. 8. Обязательно напомните, что это нужно делать на столе выдачи, под камерами наблюдения.9. Передайте покупателю товары вместе с упаковкой, если он хочет примерить вещи 10. Напомните, что каждую вещь нужно вернуть в...</code> |
| <code>Что чаще всего провоцирует конфликты с покупателями?</code> | <code>Конфликты и недовольство чаще всего возникают, если: - менеджер делает что-то не так, например, случайно выдаёт невозвратный товар; - покупатель невнимательно оформляет заказ, например, не замечает, что отказ от товара платный или вещь невозвратная. Рассказываем, как вести себя в конфликтной ситуации, в инструкции Как построить конструктивный диалог с покупателем</code> | <code>В разделе «Статистика» отображаются данные за смену: сумма продаж и возвратов за день, количество принятого товара и рейтинг ПВЗ.</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.EUCLIDEAN",
"triplet_margin": 1.0
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `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`: 3
- `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
- `eval_use_gather_object`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
</details>
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.3.0
- Transformers: 4.44.2
- PyTorch: 2.5.0+cu121
- Accelerate: 0.34.2
- Datasets: 3.1.0
- Tokenizers: 0.19.1
## 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",
}
```
#### TripletLoss
```bibtex
@misc{hermans2017defense,
title={In Defense of the Triplet Loss for Person Re-Identification},
author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
year={2017},
eprint={1703.07737},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```
<!--
## 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.*
--> |