|
--- |
|
base_model: intfloat/multilingual-e5-small |
|
datasets: [] |
|
language: [] |
|
library_name: sentence-transformers |
|
pipeline_tag: sentence-similarity |
|
tags: |
|
- sentence-transformers |
|
- sentence-similarity |
|
- feature-extraction |
|
- generated_from_trainer |
|
- dataset_size:278 |
|
- loss:MultipleNegativesRankingLoss |
|
widget: |
|
- source_sentence: Ученик средней школы к услугам обществу примешал доброту. |
|
sentences: |
|
- 'Склизкий гад в сливном бачке; мохнатый зверь; похожий на чудовище из «Аленького |
|
цветочка»; гигантские мокрицы под кроватью — все они существуют на самом деле. |
|
Все; что им нужно — пугать детей; потому что из детских криков они получают электричество.Полнометражный |
|
мультфильм рассказывает о кризисах в мире монстров; их жизни. Но однажды вся мирная |
|
жизнь монстров оказывается под угрозой: в их мир попадает ребенок. А с детьми |
|
столько хлопот; что они могут довести даже монстров.' |
|
- В Нью-Йорк по приглашению главы крупного юридического концерна прибывает Кевин |
|
Ломакс; молодой адвокат. До этого он был известен тем; что защищал исключительно |
|
негодяев и притом не проиграл ни одного процесса. На новом месте работы он вполне |
|
счастлив; он живет в роскошной квартире с любящей женой; его окружают интересные |
|
люди. |
|
- Представьте себе — Вы оказываете кому-либо существенную услугу и просите этого |
|
человека отблагодарить не Вас; а трёх других людей; которые; в свою очередь; отблагодарят |
|
ещё троих; и так далее; распространяя тепло и доброту в мировом масштабе. Насколько |
|
действенной может оказаться подобная сердечная идея? Ученик седьмого класса Тревор |
|
МакКинни решил это проверить; начав цепочку добра. |
|
- source_sentence: У тебя никакой информации нет. Выложи нормальную информацию, чтобы |
|
я мог сделать краткое описание. |
|
sentences: |
|
- Июль 1942 года. На подступах к Сталинграду обескровленные; измотанные советские |
|
войска ведут тяжелые оборонительные бои; неся огромные потери… Фильм рассказывает |
|
о подвиге рядовых солдат; любви к родной земле; об истинной цене победы… |
|
- Инженер Бен отправляется в необычное путешествие. В ходе своей поездки он встречает |
|
семерых незнакомцев; включая смертельно больную Эмили; которая называет себя девушкой |
|
с подбитыми крыльями. Бен неожиданно влюбляется в нее; что сильно усложняет его первоначальный |
|
план. Сможет ли он разгадать послание судьбы? |
|
- Рассказ о нелегких буднях учительницы английского языка; преподающей в одной из школ |
|
калифорнийского городка Лонг-Бич. Ее ученики — почти сплошь субъекты; для которых |
|
английский совсем не является родным языком. Ко всему прочему; Лонг-Бич славится |
|
своими бандитскими традициями. |
|
- source_sentence: Таким образом, я описал фильм «Восьмая нервная речь» (другие названия |
|
«Нервная речь» или «Бездомный». Хотя фильм и относится к произведениям кинематографа, |
|
его можно назвать наиболее короткой повестью с цитатами о собаке и о существе |
|
человека. |
|
sentences: |
|
- Трогательная лирическая киноповесть о судьбе собаки; теряющей любимого хозяина; |
|
об отношении людей к «братьям меньшим»; которое как рентгеном просвечивает души; |
|
выявляя в одних низость и мелочную подлость; а в других — благородство; способность |
|
сострадать и любить… |
|
- Закон и преступление; порядок и беспредел; защитник и жертва — неизбежное противостояние |
|
и столкновение. Полицейские — порядок; законопослушные граждане — закон. Но все |
|
ли граждане; слывущие добропорядочными; соблюдают законы; и всем ли представителям |
|
закона стоит доверять? Прикрываясь значком полицейского; они вершат беззаконие |
|
и из праведников превращаются в изощренных насильников. |
|
- Когда засуха; пыльные бури и вымирание растений приводят человечество к продовольственному |
|
кризису; коллектив исследователей и учёных отправляется сквозь червоточину (которая |
|
предположительно соединяет области пространства-времени через большое расстояние) |
|
в путешествие; чтобы превзойти прежние ограничения для космических путешествий |
|
человека и найти планету с подходящими для человечества условиями. |
|
- source_sentence: Фильм — о борьбе женщины за справедливость в поисках убийцы ее |
|
дочери, когда полиция seemingly не заинтересована в расследовании. Произошедшее |
|
побудило ее нанять монтажиста, который закрепляет 3 большого плаката со своеобразным |
|
обращением к начальнику полиции, принимающему расстановку сил и власти над престарелыми |
|
гражданами. |
|
sentences: |
|
- Трогательная и захватывающая история сближения двух абсолютно разных собак — породистой |
|
комнатной неженки и обычной дворняги. Изящная и пушистая как игрушка; коккер-спаниельша |
|
Леди была любимицей хозяев; пока в их семье не появился младенец. Надетый намордник |
|
стал последней каплей; подтолкнувшей обиженную героиню к бегству. Но на улице |
|
ее поджидала целая куча опасностей; о существовании которых она даже не подозревала. |
|
И тогда на помощь миниатюрной черноглазой красотке пришел пес Бродяга; благородство |
|
которого было не в породе; а в душе. |
|
- Идёт третий год Войн клонов. Галактическая Республика; некогда бывшая спокойным |
|
и гармоничным государством; превратилась в поле битвы между армиями клонов; возглавляемых |
|
канцлером Палпатином; и армадами дроидов; которых ведёт граф Дуку; тёмный лорд |
|
ситхов. Республика медленно погружается во тьму. Лишь рыцари-джедаи; защитники |
|
мира и справедливости; могут противостоять злу; которое вскоре поглотит галактику. |
|
Но настоящая битва идёт в душе у молодого рыцаря-джедая Энакина; который разрывается |
|
между долгом джедая и любовью к своей жене; сенатору Падме Амидале. И от того; |
|
какое чувство в нём победит; зависит будущее всего мира. |
|
- Спустя несколько месяцев после убийства дочери Милдред Хейс преступники так и |
|
не найдены. Отчаявшаяся женщина решается на смелый шаг; арендуя на въезде в город |
|
три билборда с посланием к авторитетному главе полиции Уильяму Уиллоуби. Когда |
|
в ситуацию оказывается втянут ещё и заместитель шерифа; инфантильный маменькин |
|
сынок со склонностью к насилию; офицер Диксон; борьба между Милдред и властями |
|
города только усугубляется. |
|
- source_sentence: В отдаленном волшебном королевстве живут заколдованная принцесса |
|
Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту |
|
за глупыми носителями ее образа. |
|
sentences: |
|
- В первом и последнем плавании шикарного «Титаника» встречаются двое. Пассажир |
|
нижней палубы Джек выиграл билет в карты; а богатая наследница Роза отправляется |
|
в Америку; чтобы выйти замуж по расчёту. Чувства молодых людей только успевают |
|
расцвести; и даже не классовые различия создадут испытания влюблённым; а айсберг; |
|
вставший на пути считавшегося непотопляемым лайнера. |
|
- Двое бандитов Винсент Вега и Джулс Винфилд ведут философские беседы в перерывах |
|
между разборками и решением проблем с должниками криминального босса Марселласа |
|
Уоллеса.В первой истории Винсент проводит незабываемый вечер с женой Марселласа |
|
Мией. Во второй рассказывается о боксёре Бутче Кулидже; купленном Уоллесом; чтобы |
|
сдать бой. В третьей истории Винсент и Джулс по нелепой случайности попадают в неприятности. |
|
- Жил да был в сказочном государстве большой зеленый великан по имени Шрек. Жил он |
|
в гордом одиночестве в лесу; на болоте; которое считал своим. Но однажды злобный |
|
коротышка — лорд Фаркуад; правитель волшебного королевства; безжалостно согнал |
|
на Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана |
|
пришел конец. Но лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет |
|
ему прекрасную принцессу Фиону; которая томится в неприступной башне; охраняемой |
|
огнедышащим драконом… |
|
--- |
|
|
|
# SentenceTransformer based on intfloat/multilingual-e5-small |
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) on the train 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:** [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) <!-- at revision fd1525a9fd15316a2d503bf26ab031a61d056e98 --> |
|
- **Maximum Sequence Length:** 512 tokens |
|
- **Output Dimensionality:** 384 tokens |
|
- **Similarity Function:** Cosine Similarity |
|
- **Training Dataset:** |
|
- train |
|
<!-- - **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: 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}) |
|
(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("fombus/kino_multilingual-e5-small") |
|
# Run inference |
|
sentences = [ |
|
'В отдаленном волшебном королевстве живут заколдованная принцесса Фиона и ее семья. Фиону превратили в козла, а ее семью осудили на вечную охоту за глупыми носителями ее образа.', |
|
'Жил да\xa0был в\xa0сказочном государстве большой зеленый великан по\xa0имени Шрек. Жил\xa0он в\xa0гордом одиночестве в\xa0лесу; на\xa0болоте; которое считал своим. Но\xa0однажды злобный коротышка\xa0—\xa0лорд Фаркуад; правитель волшебного королевства; безжалостно согнал на\xa0Шреково болото всех сказочных обитателей.И беспечной жизни зеленого великана пришел конец. Но\xa0лорд Фаркуад пообещал вернуть Шреку болото; если великан добудет ему\xa0прекрасную принцессу Фиону; которая томится в\xa0неприступной башне; охраняемой огнедышащим драконом…', |
|
'В первом и\xa0последнем плавании шикарного «Титаника» встречаются двое. Пассажир нижней палубы Джек выиграл билет в\xa0карты; а\xa0богатая наследница Роза отправляется в\xa0Америку; чтобы выйти замуж по\xa0расчёту. Чувства молодых людей только успевают расцвести; и\xa0даже не\xa0классовые различия создадут испытания влюблённым; а\xa0айсберг; вставший на\xa0пути считавшегося непотопляемым лайнера.', |
|
] |
|
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.* |
|
--> |
|
|
|
<!-- |
|
## 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 |
|
|
|
#### train |
|
|
|
* Dataset: train |
|
* Size: 278 training samples |
|
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code> |
|
* Approximate statistics based on the first 1000 samples: |
|
| | anchor | positive | negative | |
|
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| |
|
| type | string | string | string | |
|
| details | <ul><li>min: 7 tokens</li><li>mean: 49.8 tokens</li><li>max: 130 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 122.96 tokens</li><li>max: 317 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 123.75 tokens</li><li>max: 317 tokens</li></ul> | |
|
* Samples: |
|
| anchor | positive | negative | |
|
|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| <code>Один из самых знаменитых героев фэнтези-пародии легко сбивает с толку и обычных зрителей и самого себя. Энди Дюфрейн попадает в сверххищную тюрьму, где находятся представители высшего света, которым не нужны деньги.</code> | <code>Бухгалтер Энди Дюфрейн обвинён в убийстве собственной жены и её любовника. Оказавшись в тюрьме под названием Шоушенк; он сталкивается с жестокостью и беззаконием; царящими по обе стороны решётки. Каждый; кто попадает в эти стены; становится их рабом до конца жизни. Но Энди; обладающий живым умом и доброй душой; находит подход как к заключённым; так и к охранникам; добиваясь их особого к себе расположения.</code> | <code>Действие фильма разворачивается на бескрайних просторах Антарктики. Научная экспедиция; в состав которой входят Джерри Шепард; его лучший друг Купер и геолог; отправляется на поиски метеорита.Однако неожиданное происшествие и тяжелые погодные условия вынуждают их оставить свои собачьи упряжки и вернуться назад. И теперь восемь собак должны в течение шести месяцев бороться за выживание в ледяной пустыне и ждать; пока их спасут…</code> | |
|
| <code>В одной из тюрем находится отряд смертников, каждый из сотрудников которого смотрит за судьбами заключенных, разрабатывая такие методы воздействия, которые не должны применяться. Один из заключенных с титулом «Смертник номер один» вызывает беспокойство сотрудников.</code> | <code>Пол Эджкомб — начальник блока смертников в тюрьме «Холодная гора»; каждый из узников которого однажды проходит «зеленую милю» по пути к месту казни. Пол повидал много заключённых и надзирателей за время работы. Однако гигант Джон Коффи; обвинённый в страшном преступлении; стал одним из самых необычных обитателей блока.</code> | <code>Крыс Реми обладает уникальным вкусом. Он готов рисковать собственной жизнью; чтобы посмотреть любимое кулинарное шоу и раздобыть какую-нибудь приправку или просто свежий продукт. Реми живет со своими сородичами; которые его не понимают и не принимают его увлечения кулинарией. Когда Реми случайно попадает на кухню шикарного ресторана; он решает воспользоваться выпавшим ему шансом и проверить свои навыки. На эту же кухню попадает и юный Лингвини. Всё; на что он может расчитывать — это должность уборщика. Но он тоже получает свой шанс…</code> | |
|
| <code>Герой фильма ведет жизнь простого, благородного человека, но окружающие видят в нем великого человека и превращают его в того, кем он сначала хотел быть. Однако через годы он осознает, что не воспользовался своим великолепием, бросив свою первоначальную любовь и оставшись один.</code> | <code>От лица главного героя Форреста Гампа; слабоумного безобидного человека с благородным и открытым сердцем; рассказывается история его необыкновенной жизни.Фантастическим образом превращается он в известного футболиста; героя войны; преуспевающего бизнесмена. Он становится миллиардером; но остается таким же бесхитростным; глупым и добрым. Форреста ждет постоянный успех во всем; а он любит девочку; с которой дружил в детстве; но взаимность приходит слишком поздно.</code> | <code>Действие разворачивается 20 тыс. лет назад. Чтобы избежать приближающегося из-за наступления ледникового периода холода; животные мигрируют на юг. Однако некоторые из них всё-таки решают остаться — одинокий; угрюмый мамонт Манфред; а также бесшабашный ленивец Сид.Случайно эта парочка наталкивается на человеческого детёныша. Они решаются вернуть его людям и отправляются в путешествие. По пути они встречают саблезубого хитрого тигра. И теперь этой веселой компании предстоят забавные приключения!</code> | |
|
* Loss: [<code>MultipleNegativesRankingLoss</code>](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 |
|
|
|
- `per_device_train_batch_size`: 16 |
|
- `learning_rate`: 2e-05 |
|
- `num_train_epochs`: 5 |
|
- `warmup_ratio`: 0.1 |
|
|
|
#### All Hyperparameters |
|
<details><summary>Click to expand</summary> |
|
|
|
- `overwrite_output_dir`: False |
|
- `do_predict`: False |
|
- `eval_strategy`: no |
|
- `prediction_loss_only`: True |
|
- `per_device_train_batch_size`: 16 |
|
- `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 |
|
- `torch_empty_cache_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`: 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`: 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 |
|
- `eval_on_start`: False |
|
- `eval_use_gather_object`: False |
|
- `batch_sampler`: batch_sampler |
|
- `multi_dataset_batch_sampler`: proportional |
|
|
|
</details> |
|
|
|
### Framework Versions |
|
- Python: 3.10.14 |
|
- Sentence Transformers: 3.0.1 |
|
- Transformers: 4.44.0 |
|
- PyTorch: 2.4.0 |
|
- Accelerate: 0.33.0 |
|
- Datasets: 2.21.0 |
|
- 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", |
|
} |
|
``` |
|
|
|
#### 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.* |
|
--> |
