metadata

base_model: klue/roberta-base
datasets: []
language: []
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:574458
  - loss:MultipleNegativesRankingLoss
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: 왜 토마스의 책은 캐논에서 제외되었는가?
    sentences:
      - 나토는 북한의 핵실험이 세계 평화에 중대한 위협이라고 말한다
      - 왜 더 많은 예수의 말을 캐논에서 제외시키는가?
      - 마이크로소프트는 올해 초 개발자인 커넥틱스로부터 가상 PC를 인수했다.
  - source_sentence: 구글 네임 뉴모토롤라 이동성 CEO
    sentences:
      - >-
        경찰 대변인인 에드워드 아리토낭 준장은 어제 또 다른 두 명이 자카르타에서, 또 다른 한 명은 자바 중부 마젤랑에서 체포되었다고
        확인했다.
      - 구글은 데니스 우드사이드를 모토롤라 이동성 운영에 임명한다.
      - 한 소녀가 차에 뛰어오르고 있다.
  - source_sentence: 나는 이따금 TV를 켜서 세상 돌아가는 일을 따라갈 것이다.
    sentences:
      - >-
        그래서 나는 TV를 켜고 화장실에서 다시 들을 수 있고, 너는 세상에서 무슨 일이 일어나고 있는지 계속 알고 있어. 그래서 나는
        CNN이나 굿모닝 아메리카 같은 것을 할 거야. 하지만 가끔씩.
      - 두 남자가 등을 맞댄다.
      - 나는 침대에 누워 영화를 보기 위해 TV만 사용한다.
  - source_sentence: 이 이야기는 고통스러울 정도로 진부할 것이기 때문에 고통스러울 정도로 짧을 것이다.
    sentences:
      - 그 일은 매우 길고 흥미로울 것이다.
      - 음-흠, 여기엔 가격이 꽤 괜찮은 지역 탁아소가 있지만 수도권에서는 수표를 작성하는 동안 머리에 총을 겨누고 있어
      - 이야기는 짧을 것이다.
  - source_sentence: 한 소녀가 책을 읽는다.
    sentences:
      - 온 동네가 겨울 날씨를 즐기며 아이들과 즐거운 시간을 보내고 있다.
      - 한 소녀가 교실에서 다른 학생에게 책을 읽고 있다.
      - 어린 소녀가 공 구덩이에서 논다.
model-index:
  - name: SentenceTransformer based on klue/roberta-base
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.8729482428052353
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8746302830344509
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.870886028839716
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.8737323612076164
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.8714644437376398
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.8741693303098689
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.8560781025117317
            name: Pearson Dot
          - type: spearman_dot
            value: 0.8532116975486153
            name: Spearman Dot
          - type: pearson_max
            value: 0.8729482428052353
            name: Pearson Max
          - type: spearman_max
            value: 0.8746302830344509
            name: Spearman Max

SentenceTransformer based on klue/roberta-base

This is a sentence-transformers model finetuned from klue/roberta-base. 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: klue/roberta-base
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity

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': 128, 'do_lower_case': False}) with Transformer model: RobertaModel 
  (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:

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("sentence_transformers_model_id")
# Run inference
sentences = [
    '한 소녀가 책을 읽는다.',
    '한 소녀가 교실에서 다른 학생에게 책을 읽고 있다.',
    '어린 소녀가 공 구덩이에서 논다.',
]
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: sts-dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8729
spearman_cosine	0.8746
pearson_manhattan	0.8709
spearman_manhattan	0.8737
pearson_euclidean	0.8715
spearman_euclidean	0.8742
pearson_dot	0.8561
spearman_dot	0.8532
pearson_max	0.8729
spearman_max	0.8746

Training Details

Training Datasets

Unnamed Dataset

Size: 568,640 training samples
Columns: sentence_0, sentence_1, and sentence_2

Approximate statistics based on the first 1000 samples:

	sentence_0	sentence_1	sentence_2
type	string	string	string
details	min: 4 tokens mean: 19.2 tokens max: 128 tokens	min: 3 tokens mean: 18.33 tokens max: 93 tokens	min: 4 tokens mean: 14.56 tokens max: 54 tokens

Samples:

sentence_0	sentence_1	sentence_2
`발생 부하가 함께 5% 적습니다.`	`발생 부하의 5% 감소와 함께 11.`	`발생 부하가 5% 증가합니다.`
`어떤 행사를 위해 음식과 옷을 배급하는 여성들.`	`여성들은 음식과 옷을 나눠줌으로써 난민들을 돕고 있다.`	`여자들이 사막에서 오토바이를 운전하고 있다.`
`어린 아이들은 그 지식을 얻을 필요가 있다.`	`응, 우리 젊은이들 중 많은 사람들이 그걸 배워야 할 것 같아.`	`젊은 사람들은 배울 필요가 없다.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Unnamed Dataset

Size: 5,818 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 3 tokens
mean: 17.01 tokens
max: 65 tokens

min: 3 tokens
mean: 17.01 tokens
max: 59 tokens

min: 0.0
mean: 0.55
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 3 tokens mean: 17.01 tokens max: 65 tokens	min: 3 tokens mean: 17.01 tokens max: 59 tokens	min: 0.0 mean: 0.55 max: 1.0

Samples:

sentence_0	sentence_1	label
`터키 대통령은 침착함을 호소한다.`	`텍사스 하우스, 낙태법 임시 승인`	`0.0`
`볼리우드는 루피 붕괴로 3분의 1의 비용 절감`	`볼리우드는 루피 위기가 물자 비용을 절감한다.`	`0.8400000000000001`
`남자가 종이 접시를 잘랐다.`	`남자가 종이 접시를 자르고 있다.`	`0.96`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
num_train_epochs: 5
batch_sampler: no_duplicates
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 8
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_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: 5
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
batch_sampler: no_duplicates
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss	sts-dev_spearman_max
0.3434	500	0.4227	-
0.6868	1000	0.2996	0.8614
1.0007	1457	-	0.8696
1.0295	1500	0.2653	-
1.3729	2000	0.1352	0.8671
1.7163	2500	0.0866	-
2.0007	2914	-	0.8735
2.0591	3000	0.0671	0.8712
2.4025	3500	0.0387	-
2.7459	4000	0.0404	0.8746

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.0.1
Transformers: 4.41.2
PyTorch: 2.2.2+cu121
Accelerate: 0.31.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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}
}