--- language: - en license: apache-2.0 tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:132020 - loss:MultipleNegativesRankingLoss base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2 widget: - source_sentence: Les membres de l'équipe ont été attentifs et très professionnels dans leur manière de gérer nos besoins. sentences: - C’était tout à fait correct, mais pas très chaleureux. - Une chambre mal située, très loin de tout, et vraiment pas agréable. - Le service était moyen, ni excellent ni vraiment mauvais. - source_sentence: Les employés étaient réactifs et nous ont aidés à chaque étape du processus. sentences: - Leur manque d’implication et d’organisation était frustrant. - L’expérience avec le personnel était moyenne, sans surprise. - Manque de signalisation dans le parking. - source_sentence: Les employés ont dépassé nos attentes en termes de professionnalisme et de réactivité. sentences: - Parking mal entretenu, sale et peu accueillant. - Nous avons trouvé les collaborateurs peu investis dans leur travail. - Le personnel était super gentil et efficace, une vraie bonne surprise. - source_sentence: Les employés semblaient démotivés et peu impliqués dans leur travail. sentences: - La chambre n'était pas adaptée à nos attentes, c’était frustrant. - L'équipe semblait désorganisée et peu concernée par les besoins des clients. - Le service était présent mais manquait de chaleur humaine. - source_sentence: On aurait aimé plus d’implication de la part des employés, c’était moyen. sentences: - Rien de particulier à dire, le service était correct. - On a été forcé d’accepter cette chambre, ce n'était pas du tout ce qu’on avait demandé. - Le service était assez médiocre, mais pas désastreux non plus. pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - cosine_accuracy model-index: - name: MPNet base trained on AllNLI triplets results: - task: type: triplet name: Triplet dataset: name: all nli dev type: all-nli-dev metrics: - type: cosine_accuracy value: 1.0 name: Cosine Accuracy - task: type: triplet name: Triplet dataset: name: all nli test type: all-nli-test metrics: - type: cosine_accuracy value: 1.0 name: Cosine Accuracy --- # MPNet base trained on AllNLI triplets 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) - **Maximum Sequence Length:** 128 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Language:** en - **License:** apache-2.0 ### 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("pyrac/rse_engagement_des_collaborateurs") # Run inference sentences = [ 'On aurait aimé plus d’implication de la part des employés, c’était moyen.', 'Le service était assez médiocre, mais pas désastreux non plus.', "On a été forcé d’accepter cette chambre, ce n'était pas du tout ce qu’on avait demandé.", ] 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 #### Triplet * Datasets: `all-nli-dev` and `all-nli-test` * Evaluated with [TripletEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator) | Metric | all-nli-dev | all-nli-test | |:--------------------|:------------|:-------------| | **cosine_accuracy** | **1.0** | **1.0** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 132,020 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | L’équipe était tellement sympa et réactive, c’était vraiment agréable. | Nous avons été agréablement surpris par l’attention portée aux détails par le personnel. | Très bon service de navette depuis le parking. | | C’était un service classique, ni particulièrement bon ni mauvais. | Le sourire et la disponibilité des employés ont illuminé notre séjour. | Cette chambre nous a totalement déçus, c’était tout sauf confortable. | | Le service était correct, rien de plus. | Les employés étaient lents et mal organisés, cela a beaucoup gêné notre séjour. | La sécurité est assurée avec un gardien présent. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Evaluation Dataset #### Unnamed Dataset * Size: 16,502 evaluation samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------| | Les employés semblaient démotivés et peu impliqués dans leur travail. | L'équipe semblait désorganisée et peu concernée par les besoins des clients. | La chambre n'était pas adaptée à nos attentes, c’était frustrant. | | Le service était correct, mais il manquait un peu de chaleur humaine. | Un service qui n’a pas marqué mais qui reste acceptable. | Une chambre que nous n’avions pas demandée, c'était une vraie déception. | | Les employés semblaient désintéressés, ça a un peu gâché l’expérience. | Le service était fonctionnel, mais pas très personnalisé. | Stationnement facile et rapide, un plaisir. | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 64 - `per_device_eval_batch_size`: 64 - `num_train_epochs`: 1 - `warmup_ratio`: 0.1 - `bf16`: True - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 64 - `per_device_eval_batch_size`: 64 - `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`: 1 - `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`: True - `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`: 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
### Training Logs | Epoch | Step | Training Loss | Validation Loss | all-nli-dev_cosine_accuracy | all-nli-test_cosine_accuracy | |:------:|:----:|:-------------:|:---------------:|:---------------------------:|:----------------------------:| | 0.0485 | 100 | 5.2586 | 4.1160 | 1.0 | - | | 0.0969 | 200 | 4.1542 | 4.1071 | 1.0 | - | | 0.1454 | 300 | 4.1483 | 4.1009 | 1.0 | - | | 0.1939 | 400 | 4.1327 | 4.0772 | 1.0 | - | | 0.2424 | 500 | 4.1122 | 4.0561 | 1.0 | - | | 0.2908 | 600 | 4.1027 | 4.0457 | 1.0 | - | | 0.3393 | 700 | 4.0877 | 4.0345 | 1.0 | - | | 0.3878 | 800 | 4.0863 | 4.0216 | 1.0 | - | | 0.4363 | 900 | 4.0785 | 4.0196 | 1.0 | - | | 0.4847 | 1000 | 4.0661 | 4.0182 | 1.0 | - | | 0.5332 | 1100 | 4.0637 | 4.0163 | 1.0 | - | | 0.5817 | 1200 | 4.0606 | 4.0130 | 1.0 | - | | 0.6302 | 1300 | 4.0601 | 4.0086 | 1.0 | - | | 0.6786 | 1400 | 4.0516 | 4.0037 | 1.0 | - | | 0.7271 | 1500 | 4.0472 | 4.0015 | 1.0 | - | | 0.7756 | 1600 | 4.0465 | 4.0008 | 1.0 | - | | 0.8240 | 1700 | 4.0421 | 4.0007 | 1.0 | - | | 0.8725 | 1800 | 4.0463 | 3.9944 | 1.0 | - | | 0.9210 | 1900 | 4.035 | 3.9919 | 1.0 | - | | 0.9695 | 2000 | 4.0408 | 3.9909 | 1.0 | - | | -1 | -1 | - | - | - | 1.0 | ### Framework Versions - Python: 3.12.3 - Sentence Transformers: 3.4.1 - Transformers: 4.48.3 - PyTorch: 2.6.0+cu124 - Accelerate: 1.3.0 - 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", } ``` #### MultipleNegativesRankingLoss ```bibtex @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} } ```