metadata

base_model: omarelsayeed/QA_Search
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:40597
  - loss:LoggingBAS
widget:
  - source_sentence: >-
      فوري اليومي : عند إضافة أموال الي فوري اليومي يكون هناك اختيارين بين إضافة
      مبلغ أو اختيار عدد وثائق
    sentences:
      - >-
        انا حولت مبلغ ٢٠٠٠٠ج يوم ٢٠/١٠/٢٠٢٤ ولم تصل الي حسابي فوري وقدمت شكوي
        ولم يرد عليا نهاءيا
      - الرجاء إضافة الحجز لتذاكر القطار .
      - الرجاء إضافة الحجز لتذاكر القطار .
  - source_sentence: تحويل من فودافون كاش الي البطاقه البنكيه
    sentences:
      - شحن رصيد عملات على تطبيق التيك توك
      - >-
        توفير الاجهزه لمعارض الموتسكلات والدفع بالتقسيط عن طريق فورى وتغطية
        مناطق منشأة البكارى وكرداسه و ناهيه لعدم توافر مناديب اومشرف. فى المناطق
        غير متوفر الخدمات من فورى بها
      - اضافه حجز القطارات على البرنامج
  - source_sentence: >-
      ارجو التواصل معي حيث انكم لا تردون علي رقمي ولا استطيع ايجاد حل لمشكلتي
      01080179030
    sentences:
      - زياده افراد العمل لدي خدمة العملاء
      - >-
        هّلَ يَمًکْنِ تٌحًوٌيَلَ نِقُوٌدٍ مًنِ آلَآنِسِتٌآ بًآيَ بًنِفُسِ رقُمً
        آلَفُوٌنِ لَلَکْآرتٌ آلَآصّفُر بًنِفُسِ رقُمً آلَمًوٌبًآيَلَ
      - هذا الابلكيشن سئ
  - source_sentence: >-
      1- عايز رسايل SMS بكل سحب وايداع 2- عايز اقدر احول إلى محفظة مثل فودافون
      كاش من التطبيق علطول
    sentences:
      - >-
        تحويل الفلوس للمحافظ الالكترونيه والبطاقات البنكيه الاخري لتحسين جودة
        الخدمه
      - هل من الممكن وضع الوضع المظلم في البرنامج
      - تحويل المبلغ من الادخار الي حسابي الشخصي في البنك مباشرة
  - source_sentence: >-
      يوجد مشكله من شهر ولم يتم الانتهاء من الحل حتي الان عند عمل تحويل من كارت
      الائتمان يتم رفض العمليه.....
    sentences:
      - تحويل الأموال للحسابات البنكية
      - >-
        في خدمه غير متوجده علي الابلكيشان ارجو المساعده واظافه الخدمه 77178
        تحصيلات العربي
      - ممكن اقدم على طلب تقسيط ليه طلب اترفض في اول مرا

SentenceTransformer based on omarelsayeed/QA_Search

This is a sentence-transformers model finetuned from omarelsayeed/QA_Search. It maps sentences & paragraphs to a 256-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: omarelsayeed/QA_Search
Maximum Sequence Length: 30 tokens
Output Dimensionality: 256 dimensions
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': 30, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 256, '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 = [
    'يوجد مشكله من شهر ولم يتم الانتهاء من الحل حتي الان عند عمل تحويل من كارت الائتمان يتم رفض العمليه.....',
    'في خدمه غير متوجده علي الابلكيشان ارجو المساعده واظافه الخدمه 77178 تحصيلات العربي',
    'ممكن اقدم على طلب تقسيط ليه طلب اترفض في اول مرا',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 256]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

Size: 40,597 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: 13.93 tokens
max: 30 tokens

min: 3 tokens
mean: 14.83 tokens
max: 30 tokens

min: -1.0
mean: -0.48
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 3 tokens mean: 13.93 tokens max: 30 tokens	min: 3 tokens mean: 14.83 tokens max: 30 tokens	min: -1.0 mean: -0.48 max: 1.0

Samples:

sentence_0	sentence_1	label
`تحويل للمحافظ الإلكترونية`	`تحويل إلي المحفظة الإلكترونية مثل فودافون كاش و خلافه`	`1.0`
`تحويل نقود على فودافون كاش`	`محفظه الموبايل`	`-1.0`
`تحويل علي المحافظه الالكترونيه`	`تحويل الاموال من فوري لمحافظ فودافون كاش رجاء`	`1.0`

Loss: main.LoggingBAS with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 2
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

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: 16
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
num_train_epochs: 2
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
eval_on_start: False
use_liger_kernel: False
eval_use_gather_object: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
0.1970	500	1.0946
0.3940	1000	0.894
0.5910	1500	0.8248
0.7880	2000	0.8007
0.9850	2500	0.7938
1.1820	3000	0.7666
1.3790	3500	0.7409
1.5760	4000	0.7377
1.7730	4500	0.7262
1.9701	5000	0.7302

Framework Versions

Python: 3.10.14
Sentence Transformers: 3.3.1
Transformers: 4.45.1
PyTorch: 2.4.0
Accelerate: 0.34.2
Datasets: 3.0.1
Tokenizers: 0.20.0

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",
}