2bs8lr2 / README.md
cassador's picture
Add new SentenceTransformer model.
c35e44e verified
|
raw
history blame
21.9 kB
metadata
base_model: indobenchmark/indobert-base-p2
datasets:
  - afaji/indonli
language:
  - id
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:6915
  - loss:SoftmaxLoss
widget:
  - source_sentence: >-
      Pesta Olahraga Asia Tenggara atau Southeast Asian Games, biasa disingkat
      SEA Games, adalah ajang olahraga yang diadakan setiap dua tahun dan
      melibatkan 11 negara Asia Tenggara.
    sentences:
      - Sekarang tahun 2017.
      - >-
        Warna kulit tidak mempengaruhi waktu berjemur yang baik untuk
        mengatifkan pro-vitamin D3.
      - Pesta Olahraga Asia Tenggara diadakan setiap tahun.
  - source_sentence: Menjalani aktivitas Ramadhan di tengah wabah Corona tentunya tidak mudah.
    sentences:
      - Tidak ada observasi yang pernah dilansir oleh Business Insider.
      - Wabah Corona membuat aktivitas Ramadhan tidak mudah dijalani.
      - Piala Sudirman pertama digelar pada tahun 1989.
  - source_sentence: >-
      Dalam bidang politik, partai ini memperjuangkan agar kekuasaan sepenuhnya
      berada di tangan rakyat.
    sentences:
      - Galileo tidak berhasil mengetes hasil dari Hukum Inert.
      - Kudeta 14 Februari 1946 gagal merebut kekuasaan Belanda.
      - Partai ini berusaha agar kekuasaan sepenuhnya berada di tangan rakyat.
  - source_sentence: >-
      Keluarga mendiang Prince menuduh layanan musik streaming Tidal memasukkan
      karya milik sang penyanyi legendaris tanpa izin .
    sentences:
      - Rosier adalah pelayan setia Lord Voldemort.
      - Bangunan ini digunakan untuk penjualan.
      - >-
        Keluarga mendiang Prince sudah memberi izin kepada TImbal untuk
        menggunakan lagu milik Prince.
  - source_sentence: >-
      Tujuan dari acara dengar pendapat CRTC adalah untuk mengumpulkan respons
      dari pada pemangku kepentingan industri ini dan dari masyarakat umum.
    sentences:
      - Pembuat Rooms hanya bisa membuat meeting yang terbuka.
      - >-
        Masyarakat umum dilibatkan untuk memberikan respon dalam acara dengar
        pendapat CRTC.
      - Eminem dirasa tidak akan memulai kembali kariernya tahun ini.
model-index:
  - name: SentenceTransformer based on indobenchmark/indobert-base-p2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.6027226710720388
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.5828122556183322
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.5865637873532972
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.5646745853309448
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.5929829731938223
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.5686448857290627
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.5979483667153003
            name: Pearson Dot
          - type: spearman_dot
            value: 0.5928346499987958
            name: Spearman Dot
          - type: pearson_max
            value: 0.6027226710720388
            name: Pearson Max
          - type: spearman_max
            value: 0.5928346499987958
            name: Spearman Max
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts test
          type: sts-test
        metrics:
          - type: pearson_cosine
            value: 0.29752953323287884
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.26804775967587074
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.2519074599400818
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.24226962957953038
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.26198515666148037
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.2449838180623571
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.32041136820361227
            name: Pearson Dot
          - type: spearman_dot
            value: 0.3038800429933888
            name: Spearman Dot
          - type: pearson_max
            value: 0.32041136820361227
            name: Pearson Max
          - type: spearman_max
            value: 0.3038800429933888
            name: Spearman Max

SentenceTransformer based on indobenchmark/indobert-base-p2

This is a sentence-transformers model finetuned from indobenchmark/indobert-base-p2 on the afaji/indonli 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: indobenchmark/indobert-base-p2
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
  • Language: id

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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("cassador/2bs8lr2")
# Run inference
sentences = [
    'Tujuan dari acara dengar pendapat CRTC adalah untuk mengumpulkan respons dari pada pemangku kepentingan industri ini dan dari masyarakat umum.',
    'Masyarakat umum dilibatkan untuk memberikan respon dalam acara dengar pendapat CRTC.',
    'Pembuat Rooms hanya bisa membuat meeting yang terbuka.',
]
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

Metric Value
pearson_cosine 0.6027
spearman_cosine 0.5828
pearson_manhattan 0.5866
spearman_manhattan 0.5647
pearson_euclidean 0.593
spearman_euclidean 0.5686
pearson_dot 0.5979
spearman_dot 0.5928
pearson_max 0.6027
spearman_max 0.5928

Semantic Similarity

Metric Value
pearson_cosine 0.2975
spearman_cosine 0.268
pearson_manhattan 0.2519
spearman_manhattan 0.2423
pearson_euclidean 0.262
spearman_euclidean 0.245
pearson_dot 0.3204
spearman_dot 0.3039
pearson_max 0.3204
spearman_max 0.3039

Training Details

Training Dataset

afaji/indonli

  • Dataset: afaji/indonli
  • Size: 6,915 training samples
  • Columns: premise, hypothesis, and label
  • Approximate statistics based on the first 1000 samples:
    premise hypothesis label
    type string string int
    details
    • min: 12 tokens
    • mean: 29.26 tokens
    • max: 135 tokens
    • min: 6 tokens
    • mean: 12.13 tokens
    • max: 36 tokens
    • 0: ~51.00%
    • 1: ~49.00%
  • Samples:
    premise hypothesis label
    Presiden Joko Widodo (Jokowi) menyampaikan prediksi bahwa wabah virus Corona (COVID-19) di Indonesia akan selesai akhir tahun ini. Prediksi akhir wabah tidak disampaikan Jokowi. 0
    Meski biasanya hanya digunakan di fasilitas kesehatan, saat ini masker dan sarung tangan sekali pakai banyak dipakai di tingkat rumah tangga. Masker sekali pakai banyak dipakai di tingkat rumah tangga. 1
    Seperti namanya, paket internet sahur Telkomsel ini ditujukan bagi pengguna yang menginginkan kuota ekstra, untuk menemani momen sahur sepanjang bulan puasa. Paket internet sahur tidak ditujukan untuk saat sahur. 0
  • Loss: SoftmaxLoss

Evaluation Dataset

afaji/indonli

  • Dataset: afaji/indonli
  • Size: 1,556 evaluation samples
  • Columns: premise, hypothesis, and label
  • Approximate statistics based on the first 1000 samples:
    premise hypothesis label
    type string string int
    details
    • min: 9 tokens
    • mean: 28.07 tokens
    • max: 179 tokens
    • min: 6 tokens
    • mean: 12.15 tokens
    • max: 25 tokens
    • 0: ~47.90%
    • 1: ~52.10%
  • Samples:
    premise hypothesis label
    Manuskrip tersebut berisi tiga catatan yang menceritakan bagaimana peristiwa jatuhnya meteorit serta laporan kematian akibat kejadian tersebut seperti dilansir dari Science Alert, Sabtu (25/4/2020). Manuskrip tersebut tidak mencatat laporan kematian. 0
    Dilansir dari Business Insider, menurut observasi dari Mauna Loa Observatory di Hawaii pada karbon dioksida (CO2) di level mencapai 410 ppm tidak langsung memberikan efek pada pernapasan, karena tubuh manusia juga masih membutuhkan CO2 dalam kadar tertentu. Tidak ada observasi yang pernah dilansir oleh Business Insider. 0
    Seorang wanita asal New York mengaku sangat benci air putih. Tidak ada orang dari New York yang membenci air putih. 0
  • Loss: SoftmaxLoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • learning_rate: 2e-05
  • num_train_epochs: 2
  • warmup_ratio: 0.1
  • fp16: True

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • 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: 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: 2
  • 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: 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: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss loss sts-dev_spearman_cosine sts-test_spearman_cosine
0 0 - - 0.1277 -
0.1156 100 0.6407 - - -
0.2312 200 0.5119 - - -
0.3468 300 0.5192 - - -
0.4624 400 0.5104 - - -
0.5780 500 0.5087 - - -
0.6936 600 0.515 - - -
0.8092 700 0.4965 - - -
0.9249 800 0.4771 - - -
1.0 865 - 0.4387 0.5481 -
1.0405 900 0.4122 - - -
1.1561 1000 0.3551 - - -
1.2717 1100 0.3332 - - -
1.3873 1200 0.3297 - - -
1.5029 1300 0.3292 - - -
1.6185 1400 0.3646 - - -
1.7341 1500 0.3375 - - -
1.8497 1600 0.3257 - - -
1.9653 1700 0.385 - - -
2.0 1730 - 0.4650 0.5828 0.2680

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.41.2
  • PyTorch: 2.3.0+cu121
  • Accelerate: 0.31.0
  • Datasets: 2.20.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

@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",
}