File size: 35,095 Bytes
f822ceb |
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 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 |
---
base_model: intfloat/multilingual-e5-base
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:9000
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: Les vérifications périodiques sont réalisées soit par un organisme
accrédité, soit par une personne qualifiée appartenant à l'entreprise et dont
la compétence est appréciée par l'employeur au regard de critères énoncés dans
un arrêté du ministre chargé du travail et du ministre chargé de l'agriculture.
sentences:
- Quels sont les critères énoncés dans un arrêté du ministre chargé du travail et
du ministre chargé de l'agriculture pour apprécier la compétence d'une personne
qualifiée pour réaliser des vérifications périodiques au sein d'une entreprise
?
- Quels sont les éléments clés que les acquéreurs de parts d'une société d'épargne
forestière doivent prendre en compte pour évaluer les caractéristiques d'un patrimoine
forestier et les risques associés ?
- Quels sont les ustensiles, machines ou mécaniques interdits de détention en rapport
avec la fabrication ou la pulvérisation du tabac ?
- source_sentence: 'Les prestations en matière d''échange (numéros 96 et 97 du tableau
5) donnent lieu à la perception : 1° S''agissant de l''échange bilatéral, d''un
émolument proportionnel à la valeur du plus fort des deux lots échangés, selon
le barème suivant : Tranches d''assiette Taux applicable De 0 à 6 500 € 3,870
% De 6 500 € à 17 000 € 1,596 % De 17 000 € à 60 000 € 1,064 % Plus de 60 000
€ 0,799 % 2° S''agissant de l''échange multilatéral, d''un émolument proportionnel
à la valeur globale des biens échangés, selon le barème suivant : Tranches d''assiette
Taux applicable De 0 à 6 500 € 2,580 % De 6 500 € à 17 000 € 1,064 % De 17 000
€ à 60 000 € 0,709 % Plus de 60 000 € 0,532 %'
sentences:
- Quels sont les conséquences pour le prêteur en cas de défaut de mention ou de
mention erronée du taux effectif global, notamment en ce qui concerne le droit
aux intérêts et le remboursement du capital ?
- Quels sont les éléments déterminants pour établir l'assiette et le mode de servitude
de passage pour cause d'enclave, et quels sont les effets sur l'action en indemnité
et le passage en cas d'usage continu de trente ans ?
- Quel est le taux d'émolument applicable en fonction de la valeur des biens échangés
dans les cas d'échange bilatéral ou multilatéral ?
- source_sentence: La demande d'autorisation de transit est présentée par une personne
titulaire du statut d'opérateur économique agréé pour la sécurité et la sûreté
tel que défini dans le règlement (UE) n° 952/2013 du Parlement européen et du
Conseil du 9 octobre 2013 établissant le code des douanes de l'Union. La demande
est établie dans les conditions définies par arrêté du ministre chargé des douanes.
Elle est déposée auprès du chef du service des autorisations de mouvements internationaux
d'armes.
sentences:
- Quels types de contrats sont exclus de la portée des dispositions du présent titre
?
- Quels sont les critères pour obtenir le statut d'opérateur économique agréé pour
la sécurité et la sûreté, nécessaires pour présenter une demande d'autorisation
de transit, conformément au règlement (UE) n° 952/2013 du Parlement européen et
du Conseil ?
- Dans quelsles conditions un établissement de crédit ou une société de financement
peut-il déroger, en tout ou partie, aux dispositions des articles D. 331-75 et
D. 331-76-5-1 lors de l'octroi d'un prêt au vendeur ?
- source_sentence: En application du contrat prévu à l'article 95 ZA , le tiers de
confiance transmet à l'administration fiscale par voie électronique, pour le compte
de ses clients, les déclarations annuelles de revenus et leurs annexes. L'obligation
de télétransmission du tiers de confiance ne porte pas sur les déclarations à
souscrire au titre des revenus perçus au cours de l'année durant laquelle s'achève
la mission de tiers de confiance. Le contribuable mentionné au I de l'article
170 ter du code général des impôts est regardé, pour une année donnée, comme client
d'un tiers de confiance s'il est lié avec celui-ci par le contrat prévu à l'article
95 ZA, conclu au plus tard lors du dépôt, par le professionnel, de la déclaration
annuelle des revenus.
sentences:
- Quel est le sort des demandes lorsqu'il n'y a pas de réponse de l'autorité compétente
dans les délais prévus ?
- Quels sont les éléments que le tiers de confiance est tenu de transmettre à l'administration
fiscale pour le compte de ses clients, et dans quels cas cette obligation de télétransmission
ne s'applique-t-elle pas ?
- Quels sont les membres composant les collèges territoriaux des finances publiques
et qui est chargé de la présidence en cas d'absence ou d'empêchement du président
?
- source_sentence: Les projets de marchés de partenariat conclus pour le compte des
acheteurs non autorisés sont instruits par le ministre de tutelle.
sentences:
- Quels sont les documents que les établissements de paiement et les établissements
de monnaie électronique doivent mettre à disposition de leur clientèle et du public
pour les opérations de paiement et les comptes de paiement, et quels sont les
informations minimales qui doivent être incluses dans ces documents ?
- Dans quelle situation l'assuré a-t-il besoin d'être assisté ou représenté par
un avocat en raison de la défense de la partie adverse ?
- Qui est responsable de l'instruction des projets de marchés de partenariat conclus
pour le compte des acheteurs non autorisés ?
model-index:
- name: SentenceTransformer based on intfloat/multilingual-e5-base
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 768
type: dim_768
metrics:
- type: cosine_accuracy@1
value: 0.94
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.981
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.987
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.989
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.94
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32699999999999996
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19740000000000005
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0989
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.94
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.981
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.987
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.989
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.9683994234957766
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.9613761904761905
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9617349428516079
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 512
type: dim_512
metrics:
- type: cosine_accuracy@1
value: 0.942
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.982
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.988
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.989
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.942
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32733333333333325
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19760000000000003
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0989
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.942
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.982
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.988
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.989
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.969565548663498
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.9629166666666668
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9632981492091787
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 256
type: dim_256
metrics:
- type: cosine_accuracy@1
value: 0.937
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.98
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.985
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.989
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.937
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.3266666666666666
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.197
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.0989
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.937
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.98
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.985
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.989
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.9661778506957523
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.958502380952381
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9588400474998072
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 128
type: dim_128
metrics:
- type: cosine_accuracy@1
value: 0.93
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.972
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.983
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.988
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.93
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32399999999999995
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19660000000000002
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09880000000000001
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.93
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.972
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.983
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.988
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.9619055617624742
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.9532523809523811
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9537039961889963
name: Cosine Map@100
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: dim 64
type: dim_64
metrics:
- type: cosine_accuracy@1
value: 0.901
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.966
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.977
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.989
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.901
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32199999999999995
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19540000000000005
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09890000000000002
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.901
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.966
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.977
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.989
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.947780306797729
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.9342468253968255
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9345714945276086
name: Cosine Map@100
---
# SentenceTransformer based on intfloat/multilingual-e5-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) on the json 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](https://huggingface.co/intfloat/multilingual-e5-base) <!-- at revision d13f1b27baf31030b7fd040960d60d909913633f -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- json
<!-- - **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': 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:
```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("KarBik/legal-french-matroshka")
# Run inference
sentences = [
'Les projets de marchés de partenariat conclus pour le compte des acheteurs non autorisés sont instruits par le ministre de tutelle.',
"Qui est responsable de l'instruction des projets de marchés de partenariat conclus pour le compte des acheteurs non autorisés ?",
"Dans quelle situation l'assuré a-t-il besoin d'être assisté ou représenté par un avocat en raison de la défense de la partie adverse ?",
]
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]
```
<!--
### 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
#### Information Retrieval
* Dataset: `dim_768`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.94 |
| cosine_accuracy@3 | 0.981 |
| cosine_accuracy@5 | 0.987 |
| cosine_accuracy@10 | 0.989 |
| cosine_precision@1 | 0.94 |
| cosine_precision@3 | 0.327 |
| cosine_precision@5 | 0.1974 |
| cosine_precision@10 | 0.0989 |
| cosine_recall@1 | 0.94 |
| cosine_recall@3 | 0.981 |
| cosine_recall@5 | 0.987 |
| cosine_recall@10 | 0.989 |
| cosine_ndcg@10 | 0.9684 |
| cosine_mrr@10 | 0.9614 |
| **cosine_map@100** | **0.9617** |
#### Information Retrieval
* Dataset: `dim_512`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.942 |
| cosine_accuracy@3 | 0.982 |
| cosine_accuracy@5 | 0.988 |
| cosine_accuracy@10 | 0.989 |
| cosine_precision@1 | 0.942 |
| cosine_precision@3 | 0.3273 |
| cosine_precision@5 | 0.1976 |
| cosine_precision@10 | 0.0989 |
| cosine_recall@1 | 0.942 |
| cosine_recall@3 | 0.982 |
| cosine_recall@5 | 0.988 |
| cosine_recall@10 | 0.989 |
| cosine_ndcg@10 | 0.9696 |
| cosine_mrr@10 | 0.9629 |
| **cosine_map@100** | **0.9633** |
#### Information Retrieval
* Dataset: `dim_256`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.937 |
| cosine_accuracy@3 | 0.98 |
| cosine_accuracy@5 | 0.985 |
| cosine_accuracy@10 | 0.989 |
| cosine_precision@1 | 0.937 |
| cosine_precision@3 | 0.3267 |
| cosine_precision@5 | 0.197 |
| cosine_precision@10 | 0.0989 |
| cosine_recall@1 | 0.937 |
| cosine_recall@3 | 0.98 |
| cosine_recall@5 | 0.985 |
| cosine_recall@10 | 0.989 |
| cosine_ndcg@10 | 0.9662 |
| cosine_mrr@10 | 0.9585 |
| **cosine_map@100** | **0.9588** |
#### Information Retrieval
* Dataset: `dim_128`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.93 |
| cosine_accuracy@3 | 0.972 |
| cosine_accuracy@5 | 0.983 |
| cosine_accuracy@10 | 0.988 |
| cosine_precision@1 | 0.93 |
| cosine_precision@3 | 0.324 |
| cosine_precision@5 | 0.1966 |
| cosine_precision@10 | 0.0988 |
| cosine_recall@1 | 0.93 |
| cosine_recall@3 | 0.972 |
| cosine_recall@5 | 0.983 |
| cosine_recall@10 | 0.988 |
| cosine_ndcg@10 | 0.9619 |
| cosine_mrr@10 | 0.9533 |
| **cosine_map@100** | **0.9537** |
#### Information Retrieval
* Dataset: `dim_64`
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.901 |
| cosine_accuracy@3 | 0.966 |
| cosine_accuracy@5 | 0.977 |
| cosine_accuracy@10 | 0.989 |
| cosine_precision@1 | 0.901 |
| cosine_precision@3 | 0.322 |
| cosine_precision@5 | 0.1954 |
| cosine_precision@10 | 0.0989 |
| cosine_recall@1 | 0.901 |
| cosine_recall@3 | 0.966 |
| cosine_recall@5 | 0.977 |
| cosine_recall@10 | 0.989 |
| cosine_ndcg@10 | 0.9478 |
| cosine_mrr@10 | 0.9342 |
| **cosine_map@100** | **0.9346** |
<!--
## 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
#### json
* Dataset: json
* Size: 9,000 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 11 tokens</li><li>mean: 141.81 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 57.29 tokens</li><li>max: 262 tokens</li></ul> |
* Samples:
| positive | anchor |
|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>Sauf dispositions contraires des conventions internationales, l'émission de titres comportant la mention visée à l'article 51 entraîne l'obligation pour l'organisme émetteur d'opérer, sur les produits de ces titres et pendant toute la durée de ceux-ci, la retenue à la source édictée par le 1 de l'article 119 bis du code général des impôts. Le montant de cette retenue doit être versé au comptable désigné par l'administration, dans les conditions et suivant les modalités fixées par le 1 de l'article 1672 et l'article 1673 dudit code.</code> | <code>Quelle est l'obligation de l'organisme émetteur concernant les produits de titres émis avec la mention visée à l'article 51, et comment doit-il opérer la retenue à la source pendant la durée de ces titres ?</code> |
| <code>Lorsque l'allocation est attribuée en application du troisième alinéa de l'article L. 232-12 et du cinquième alinéa de l'article L. 232-14 , le montant forfaitaire attribué est, respectivement, égal, à domicile, à 50 % du montant du plafond mentionné à l'article L. 232-3-1 correspondant au degré de perte d'autonomie le plus important, et, en établissement, à 50 % du tarif afférent à la dépendance de l'établissement considéré applicable aux résidents classés dans les groupes iso-ressources 1 et 2. Cette avance s'impute sur les montants de l'allocation personnalisée d'autonomie versée ultérieurement.</code> | <code>Quel est le montant forfaitaire attribué lorsqu'une allocation est octroyée en application du troisième alinéa de l'article L. 232-12 et du cinquième alinéa de l'article L. 232-14, selon que l'allocation est perçue à domicile ou en établissement ?</code> |
| <code>La taxe devient exigible au moment où le poids lourd : 1° Entre sur le réseau, si la condition mentionnée au 1° de l'article L. 421-202 est remplie ; 2° Franchit un point de la section de tarification déterminé par l'autorité compétente, si cette même condition n'est pas remplie.</code> | <code>Quel est le moment où la taxe devient exigible pour un poids lourd en fonction de son entrée dans le réseau ou de son franchissement d'un point de tarification déterminé ?</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256,
128,
64
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: epoch
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `gradient_accumulation_steps`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 4
- `lr_scheduler_type`: cosine
- `warmup_ratio`: 0.1
- `bf16`: True
- `tf32`: True
- `load_best_model_at_end`: True
- `optim`: adamw_torch_fused
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: epoch
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: None
- `gradient_accumulation_steps`: 16
- `eval_accumulation_steps`: None
- `learning_rate`: 2e-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`: 4
- `max_steps`: -1
- `lr_scheduler_type`: cosine
- `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`: True
- `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`: True
- `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_fused
- `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`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | dim_128_cosine_map@100 | dim_256_cosine_map@100 | dim_512_cosine_map@100 | dim_64_cosine_map@100 | dim_768_cosine_map@100 |
|:----------:|:------:|:-------------:|:----------------------:|:----------------------:|:----------------------:|:---------------------:|:----------------------:|
| 0 | 0 | - | 0.8447 | 0.9084 | 0.9190 | 0.6362 | 0.9236 |
| 0.5674 | 10 | 5.322 | - | - | - | - | - |
| 0.9645 | 17 | - | 0.9353 | 0.9413 | 0.9488 | 0.9197 | 0.9453 |
| 1.1348 | 20 | 0.3395 | - | - | - | - | - |
| 1.7021 | 30 | 0.0929 | - | - | - | - | - |
| 1.9858 | 35 | - | 0.9517 | 0.9571 | 0.9631 | 0.9357 | 0.9625 |
| 2.2695 | 40 | 0.0408 | - | - | - | - | - |
| 2.8369 | 50 | 0.0264 | - | - | - | - | - |
| 2.9504 | 52 | - | 0.9513 | 0.9579 | 0.9634 | 0.9357 | 0.9620 |
| 3.4043 | 60 | 0.0209 | - | - | - | - | - |
| **3.8582** | **68** | **-** | **0.9537** | **0.9588** | **0.9633** | **0.9346** | **0.9617** |
* The bold row denotes the saved checkpoint.
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.1.1
- Transformers: 4.41.2
- PyTorch: 2.1.2+cu121
- Accelerate: 0.34.2
- Datasets: 2.19.1
- Tokenizers: 0.19.1
## 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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### 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}
}
```
<!--
## 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.*
--> |