File size: 21,043 Bytes
8c820c4 |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:23525
- loss:CosineSimilarityLoss
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
widget:
- source_sentence: Монголбанк, Сангийн яам болон Европын сэргээн босголт, хөгжлийн
банкны санамж бичиг
sentences:
- '"Жүжгүүд нь хүүхдийн урлаг гоо зүйн боловсролыг дээшлүүлэхэд хувь нэмэр оруулна."'
- “Үзэхийн хязгаар” ном хоёр дэлгүүрт борлуулалттай байв
- Зээлийн эрсдэлийг хуваан үүрэлцэх гэрээ.
- source_sentence: Улсын дуурь, бүжгийн эрдмийн театрт номын нээлт болно.
sentences:
- УДБЭТ-д номын нээлт болно.
- Хүндрэлээс гарах арга хэмжээ авахгүй бол эдийн засгийн өсөлт 2 хувиас доошилж,
ажилгүйдлийн төвшин ч 10 хувиас дээшилж, экспортын хэмжээ таван тэрбумам.доллараас
доошлох магадлалтай аж.
- Дахин давтан хэлчхэд урлаг бол үзүүлдэг, шинжлэх ухаан нотолдог гэдэг.
- source_sentence: ОХУ, БНХАУ-ыг Монгол Улсын нутаг дэвсгэрээр холбоно
sentences:
- Нийслэлийн 24 дүгээр сургуулийг төгссөн.
- Зураг нь гайхамшигтай гэж Кейт үнэлжээ.
- Гурван улс дамнасан худалдаа эргэлтийг дамжин өнгөрүүлнэ
- source_sentence: “Драмын жүжгийн төрөл”, “Хүүхдийн жүжгийн төрөл”, “Дуулалт жүжгийн
төрөл”, “Нэг хүний жүжгийн төрөл”-үүдэд 40 гаруй жүжиг санал болгосон
sentences:
- Дуурь, бүжгийн эрдмийн театрын уран бүтээлчид буюу балет анги, хөгжим анги, найрал
дуу, гоцлол дуучид тайзнаа Итали, Орос, Францын сор болсон бүтээлийг түүвэрлэн
хүргэж, үзэгчдийг зуун дамнуулан цаг хугацаагаар аялуулан сонгодог тансаг орчинд
тайз дэлгэцээрээ дамжуулан урьсан гээд энэ үдшийн онцлог олон байлаа
- 20 уран бүтээл, 80 гаруй уран бүтээлч чансаагаа сорьж байгаа ажээ.
- Цомогт шинэ уран бүтээлүүд багтсан.
- source_sentence: Олон улсын наадмын шалгаруулалт
sentences:
- Мянган тонн үр олгогдсон.
- Мөн нийт экспортын хэмжээ 10 хувиар, түүн дунд нүүрсний экспорт 50 хувиар буурсан
юм.
- Драмын урлагийн шилдгүүдийг тодруулдаг наадам.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: dev
type: dev
metrics:
- type: pearson_cosine
value: 0.9453948364096749
name: Pearson Cosine
- type: spearman_cosine
value: 0.941539157090351
name: Spearman Cosine
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: test
type: test
metrics:
- type: pearson_cosine
value: 0.9484104568467498
name: Pearson Cosine
- type: spearman_cosine
value: 0.9456481682965885
name: Spearman Cosine
---
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) on the csv dataset. It maps sentences & paragraphs to a 384-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-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision 8d6b950845285729817bf8e1af1861502c2fed0c -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- csv
<!-- - **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: BertModel
(1): Pooling({'word_embedding_dimension': 384, '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("gmunkhtur/paraphrase-mongolian-minilm")
# Run inference
sentences = [
'Олон улсын наадмын шалгаруулалт',
'Драмын урлагийн шилдгүүдийг тодруулдаг наадам.',
'Мөн нийт экспортын хэмжээ 10 хувиар, түүн дунд нүүрсний экспорт 50 хувиар\xa0 буурсан юм.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# 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.*
-->
## Evaluation
### Metrics
#### Semantic Similarity
* Datasets: `dev` and `test`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | dev | test |
|:--------------------|:-----------|:-----------|
| pearson_cosine | 0.9454 | 0.9484 |
| **spearman_cosine** | **0.9415** | **0.9456** |
<!--
## 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
#### csv
* Dataset: csv
* Size: 23,525 training samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 3 tokens</li><li>mean: 19.75 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 19.46 tokens</li><li>max: 117 tokens</li></ul> | <ul><li>min: 0.02</li><li>mean: 0.49</li><li>max: 1.0</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:--------------------------------|
| <code>Хүн амын нягтаршил багатай, газар хөдлөлийн идэвхигүй бүс, газрын гадарга нь тэгш, үер усны давтамж бага газарт Цөмийн энергийн станцийг барьж байгуулах шаардлагатай гэнэ</code> | <code>Энэ станцад захын нэг дээд сургууль эзэмшсэн нөхөр очоод ажиллахгүй.</code> | <code>0.2018195390701294</code> |
| <code>Уг компани тендерт гадаадынхныг урьсан ба өрөгдлийг нь зургадугаар сарын 3 хүртэл хүлээн авсан байна</code> | <code>«Коммерсантъ» сонин 24-ний өдрийн дугаартаа өгүүлсэн байна</code> | <code>0.2372543811798095</code> |
| <code>Би “Өүлэн эх”-ийг анх бүтээсэн</code> | <code>Би “Хорин нэгэн зул”-ыг анх бүтээсэн.</code> | <code>0.6730476021766663</code> |
* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Evaluation Dataset
#### csv
* Dataset: csv
* Size: 23,525 evaluation samples
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
| | sentence1 | sentence2 | score |
|:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------|
| type | string | string | float |
| details | <ul><li>min: 4 tokens</li><li>mean: 19.77 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 4 tokens</li><li>mean: 19.95 tokens</li><li>max: 93 tokens</li></ul> | <ul><li>min: -0.04</li><li>mean: 0.48</li><li>max: 0.98</li></ul> |
* Samples:
| sentence1 | sentence2 | score |
|:------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------|:--------------------------------|
| <code>Анхны тоглолт маань одоо бодоход үнэхээр гоё болж байсан</code> | <code>Яг ямар чиглэлээр тоглохоо мэдэхгүй жаахан охин байсан ч би маш их зүйл сурсан</code> | <code>0.2749532461166382</code> |
| <code>"Домогт Ану хатан" нь Монголын түүхэн дэх хатан хааны тухай өгүүлдэг</code> | <code>"Домогт Ану хатан" нь Б.Шүүдэрцэцэгийн бүтээл юм.</code> | <code>0.3653741478919983</code> |
| <code>Советийн хурлаар "Эрдэнэт" болон "Монголросцветмет нэгдэл"-ийн талаар ярилцах ажээ</code> | <code>Асгатын мөнгөний ордыг түшиглэн Орос-Монголын хамтарсан компани байгуулахаар болсон бөгөөд энэ асуудлыг хуралдаанаар хөндөнө гэдгийг эх сурвалж хэлсэн.</code> | <code>0.599888801574707</code> |
* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `num_train_epochs`: 5
- `warmup_ratio`: 0.1
- `fp16`: True
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `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`: 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`: 5
- `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`: None
- `hub_always_push`: False
- `gradient_checkpointing`: False
- `gradient_checkpointing_kwargs`: None
- `include_inputs_for_metrics`: False
- `include_for_metrics`: []
- `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
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | dev_spearman_cosine | test_spearman_cosine |
|:------:|:----:|:-------------:|:---------------:|:-------------------:|:--------------------:|
| 0 | 0 | - | - | 1.0000 | - |
| 0.5663 | 500 | 0.0045 | - | - | - |
| 1.1325 | 1000 | 0.0071 | 0.0064 | 0.9229 | - |
| 1.6988 | 1500 | 0.0062 | - | - | - |
| 2.2650 | 2000 | 0.0052 | 0.0059 | 0.9277 | - |
| 2.8313 | 2500 | 0.0033 | - | - | - |
| 3.3975 | 3000 | 0.0025 | 0.0049 | 0.9407 | - |
| 3.9638 | 3500 | 0.0018 | - | - | - |
| 4.5300 | 4000 | 0.0015 | 0.0048 | 0.9415 | - |
| 5.0 | 4415 | - | - | - | 0.9456 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.3.1
- Transformers: 4.47.1
- PyTorch: 2.5.1+cu121
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.21.0
## 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",
}
```
<!--
## 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.*
--> |