fine_tuned_model_with_triplets / README.md

Upload 9 files

bd6c78f verified 4 months ago

32.7 kB

	---
	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.
	-->