README.md

---
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.*
-->