metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:3696
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-base
widget:
  - source_sentence: Inscription fonds soutien cinéma international région date
    sentences:
      - >-
        Type de project: Il s’agit pour la Région d’aider des projets
        contribuant à l’un des objectifs suivants : Agir pour le « zéro déchet »
        et lutter contre les gaspillages,Développer le réemploi, la
        réutilisation et la réparation,Mettre l’économie circulaire au cœur de
        l’aménagement et des chantiers,Développer l’économie circulaire et
        innover,Relever le défi du tri et du recyclage matière et
        organique,Anticiper les crises et réduire l’impact de la gestion des
        déchets
      - "Type de project: Les étudiants en avant-dernière ou dernière\_année d'études de kinésithérapie ou maïeutique peuvent prétendre à cette bourse si :  Ils sont scolarisés en Île-de-France"
      - 'Date de début: Lundi 30 Septembre 2024, à 00:00:00 (UTC+0200'
  - source_sentence: >-
      Quelle importance est accordée à la répartition géographique des offres de
      formation d'aide-soignant par la région ?
    sentences:
      - >-
        La Région souhaite améliorer l’équilibre territorial de l’offre de
        formation d’aide-soignant sur l’ensemble du territoire. Une attention
        sera portée aux départements dans lesquels l’offre de formation demande
        à être intensifiée
      - >-
        Bénéficiaires: Collectivités - Institutions, Association - Régie par la
        loi de 1901, Association - Fondation, Collectivité ou institution -
        Communes de < 2000 hab, Collectivité ou institution - Communes de 10 000
        à 20 000 hab, Collectivité ou institution - Communes de 2000 à 10 000
        hab, Collectivité ou institution - Communes de > 20 000 hab,
        Collectivité ou institution - EPCI, Collectivité ou institution - EPT /
        Métropole du Grand Paris, Collectivité ou institution - Département,
        Collectivité ou institution - Bailleurs sociaux, Collectivité ou
        institution - Autre (GIP, copropriété, EPA...), Professionnel -
        Chercheur
      - >-
        Après examen par les services de la Région, la Commission permanente du
        Conseil régional désigne ensuite les initiatives lauréates, le montant
        de la dotation régionale attribuée et approuve les conventions-cadres
        qui en découlent
  - source_sentence: >-
      Y a-t-il un prestataire spécifique ou des certifications requises pour
      réaliser un audit de cybersécurité subsidié par la région Île-de-France?
    sentences:
      - >-
        Bénéficiaires: Association - Fondation, Association - ONG, Association -
        Régie par la loi de 1901
      - >-
        Pour être pris en compte, le diagnostic devra être assorti d’un rapport
        d'audit et d'un plan d’actions détaillant les mesures correctives
        proposées.  Il devra obligatoirement être réalisé auprès d’un tiers
        francilien certifié PASSI par l'ANSSI ou labellisé CCI ou France
        Cybersecurity
      - >-
        Bénéficiaires: Professionnel - Culture, Collectivité ou institution -
        Communes de 10 000 à 20 000 hab, Collectivité ou institution - Communes
        de 2000 à 10 000 hab, Collectivité ou institution - Communes de < 2000
        hab, Collectivité ou institution - Communes de > 20 000 hab,
        Collectivité ou institution - EPCI, Collectivité ou institution - EPT /
        Métropole du Grand Paris, Collectivité ou institution - Département,
        Association - Régie par la loi de 1901, Établissement ou organismes de
        formation (OF, OPCO, FSS, CFA...), Établissement d'enseignement
        secondaire, Établissement d'enseignement supérieur, Établissement de
        recherche et laboratoire
  - source_sentence: >-
      Mon association est-elle éligible pour recevoir une aide de la région
      destinée au secteur sportif?
    sentences:
      - >-
        Bénéficiaires: Association - Fondation, Association - ONG, Association -
        Régie par la loi de 1901
      - >-
        L'aide régionale d'EAC est versée aux structures culturelles situées en
        Île-de-France, quel que soit leur statut juridique, mais vise les
        lycéens et les apprentis franciliens
      - >-
        Nature de l'aide: L’aide prend la forme d’une subvention en
        investissement. La région peut intervenir jusqu’à 70% de votre budget
        d’investissement, dans la limite de 50 000€ de dépenses éligibles
  - source_sentence: >-
      Est-ce que les artistes bénéficiaires d'une aide financière de la région
      Île-de-France sont restreints d'accéder à cette nouvelle aide destinée à
      la jeune création musicale ?
    sentences:
      - >-
        Ce dispositif est ouvert aux artistes n'ayant pas déjà bénéficié de
        subventions de la part de la Région, à l'exception du Fonds Régional
        pour les Artistes Emergents (FoRTE)
      - >-
        Type de project: Ce dispositif permet de soutenir les projets
        d’aménagements, de travaux ou d’équipements pour des cafés musicaux et
        culturels dont le classement ERP correspond à la qualification N ou L,
        de catégories IV et V (jauges inférieures à 300 places), relevant
        notamment de la convention collective des HCR (Hôtels, Cafés et
        Restaurants), et justifiant d’une programmation artistique et culturelle
        (concerts, spectacles…) réalisée dans des conditions professionnelles,
        dans le respect des règlementations en vigueur, notamment sur les plans
        sociaux (emploi des artistes via le GUSO ou en lien avec le GIP cafés
        culture) et de la sécurité
      - "Nature de l'aide: L’aide régionale est attribuée dans la limite des crédits disponible sur la base des forfaits selon le type de documents de gestion durable\_: Pour un RTG ou CBPS\_: base de 400 € (dès 4 ha) + 100 € par hectare supplémentaire"
datasets:
  - Lettria/GRAG-CHUNK-IDF-Only-Pos
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - cosine_accuracy
  - cosine_accuracy_threshold
  - cosine_f1
  - cosine_f1_threshold
  - cosine_precision
  - cosine_recall
  - cosine_ap
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-base
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: EmbeddingSimEval
          type: EmbeddingSimEval
        metrics:
          - type: pearson_cosine
            value: .nan
            name: Pearson Cosine
          - type: spearman_cosine
            value: .nan
            name: Spearman Cosine
      - task:
          type: binary-classification
          name: Binary Classification
        dataset:
          name: BinaryClassifEval
          type: BinaryClassifEval
        metrics:
          - type: cosine_accuracy
            value: 0.9985443959243085
            name: Cosine Accuracy
          - type: cosine_accuracy_threshold
            value: -0.0157986581325531
            name: Cosine Accuracy Threshold
          - type: cosine_f1
            value: 0.9992716678805535
            name: Cosine F1
          - type: cosine_f1_threshold
            value: -0.0157986581325531
            name: Cosine F1 Threshold
          - type: cosine_precision
            value: 1
            name: Cosine Precision
          - type: cosine_recall
            value: 0.9985443959243085
            name: Cosine Recall
          - type: cosine_ap
            value: 1
            name: Cosine Ap

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base on the grag-chunk-idf-only-pos 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 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- grag-chunk-idf-only-pos

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("Lettria/idf-chunk_embedder-mult_neg_rk2")
# Run inference
sentences = [
    "Est-ce que les artistes bénéficiaires d'une aide financière de la région Île-de-France sont restreints d'accéder à cette nouvelle aide destinée à la jeune création musicale ?",
    "Ce dispositif est ouvert aux artistes n'ayant pas déjà bénéficié de subventions de la part de la Région, à l'exception du Fonds Régional pour les Artistes Emergents (FoRTE)",
    "Nature de l'aide: L’aide régionale est attribuée dans la limite des crédits disponible sur la base des forfaits selon le type de documents de gestion durable\xa0: Pour un RTG ou CBPS\xa0: base de 400 € (dès 4 ha) + 100 € par hectare supplémentaire",
]
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

Semantic Similarity

Dataset: EmbeddingSimEval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	nan
spearman_cosine	nan

Binary Classification

Dataset: BinaryClassifEval
Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.9985
cosine_accuracy_threshold	-0.0158
cosine_f1	0.9993
cosine_f1_threshold	-0.0158
cosine_precision	1.0
cosine_recall	0.9985
cosine_ap	1.0

Training Details

Training Dataset

grag-chunk-idf-only-pos

Dataset: grag-chunk-idf-only-pos at d727e1f
Size: 3,696 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string int
details
min: 8 tokens
mean: 29.9 tokens
max: 108 tokens

min: 11 tokens
mean: 62.29 tokens
max: 256 tokens

1: 100.00%

	sentence1	sentence2	label
type	string	string	int
details	min: 8 tokens mean: 29.9 tokens max: 108 tokens	min: 11 tokens mean: 62.29 tokens max: 256 tokens	1: 100.00%

Samples:

sentence1	sentence2	label
`Y a-t-il des incitations financières spécifiques pour les projets de logement qui mettent en œuvre des solutions d'éco-construction ou de végétalisation?`	`Nature de l'aide: L’aide proposée s’établit à 5 % maximum de la dépense HT liée aux travaux et honoraires dans la limite d’un plafond de subvention de 5 000 € par logement. Possibilité de primes pour les projets particulièrement performants sur le plan énergétique, qui recourent à l'éco-construction ou à la végétalisation`	`1`
`Je suis maire d'une commune de 15 000 habitants en Ile-de-France, mon projet est-il éligible à un financement régional pour améliorer la mobilité?`	`Bénéficiaires: Collectivité ou institution - Communes de 10 000 à 20 000 hab`	`1`
`lycée privé sous-contrat Île-de-France soutien actions sensibilisation numérique`	`Précision sure les bénéficiaires: Lycées franciliens publics et privés sous-contrat`	`1`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

grag-chunk-idf-only-pos

Dataset: grag-chunk-idf-only-pos at d727e1f
Size: 687 evaluation samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 687 samples:
sentence1 sentence2 label
type string string int
details
min: 7 tokens
mean: 29.45 tokens
max: 63 tokens

min: 11 tokens
mean: 70.45 tokens
max: 247 tokens

1: 100.00%

	sentence1	sentence2	label
type	string	string	int
details	min: 7 tokens mean: 29.45 tokens max: 63 tokens	min: 11 tokens mean: 70.45 tokens max: 247 tokens	1: 100.00%

Samples:

sentence1	sentence2	label
`Quelles démarches dois-je suivre pour déposer une demande d'aide pour mon projet de jardins partagés sur un terrain temporairement inutilisé ?`	`Procédures et démarches: Deux appels à projets sont organisés chaque année. Les porteurs de projets peuvent prendre rendez-vous avec le service en charge du dispositif avant de déposer un dossier sur mesdemarches.iledefrance.fr. Un jury d’élus et de personnalités qualifiées examine les candidatures et propose des soutiens. Sur cette base, la Commission permanente du Conseil régional désigne les projets retenus et arrête le montant de la subvention régionale prévisionnelle`	`1`
`Quels documents me faut-il rassembler pour solliciter une aide numérique pour mon commerce?`	`Réunissez les pièces nécessaires : Un justificatif d'identité du représentant légal,Un extrait Kbis ou D1 de moins de 3 mois,Un RIB,Un justificatif comptable attestant de l’activité de l’entreprise*,Les pièces justificatives des dépenses prévisionnelles (devis, grille tarifaire,...) OU les factures acquittées (dans un délai de 18 mois avant la date de la demande) et le formulaire téléchargeable en ligne`	`1`
`Projets santé numérique soutien région Île-de-France`	`Type de project: Les projets proposés doivent prioritairement concerner l’une ou plusieurs des thématiques suivantes : Innovation en santé,Intelligence artificielle,Télémédecine,Téléconsultation,Téléexpertise,Coordination des professionnels de santé,Amélioration de la prise en charge des patients`	`1`

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: 4
per_device_eval_batch_size: 4
gradient_accumulation_steps: 8
num_train_epochs: 10
warmup_steps: 369

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 4
per_device_eval_batch_size: 4
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 8
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: 1.0
num_train_epochs: 10
max_steps: -1
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.0
warmup_steps: 369
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: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	EmbeddingSimEval_spearman_cosine	BinaryClassifEval_cosine_ap
7.9654	920	0.0914	0.1569	nan	1.0
9.9567	1150	-	0.1583	nan	1.0

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.3.1
Transformers: 4.45.2
PyTorch: 2.4.1+cu121
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.20.3

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}
}