---
base_model: deepvk/USER-bge-m3
library_name: sentence-transformers
metrics:
- cosine_accuracy
- dot_accuracy
- manhattan_accuracy
- euclidean_accuracy
- max_accuracy
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:10189
- loss:TripletLoss
widget:
- source_sentence: мороженое протеиновое
sentences:
- Эскимо "Суфле" в молочном шоколаде Эскимо с мягким сливочным вкусом и глазурью
из молочного шоколада
- Ассорти сухофруктов с пастилой Сытный, вкусный и полезный снек и чудесный десерт
к чаю или кофе. Солнечный аромат вяленых бананов, кисло-сладкий вкус спелого сушеного
яблока и натуральная, яблочно-банановая пастила. Не содержит добавленного сахара.
Удобная компактная упаковка так и просится в карман или сумку, чтобы сопровождать
вас на прогулке, лекции или пикнике. Отличная замена классическим сладостям и
легкий перекус.
- Мороженое молочное протеиновое Bombbar Соленая карамель со сливками 150 г Универсальный
белковый десерт без сахара для похудения, набора массы или просто вкусного и полезного
перекуса.
- source_sentence: овсяная каша
sentences:
- Чипсы протеиновые "Сметана и зелень" Полезная альтернатива картофельным чипсам,
на 75% состоящая из коллагенового белка. Отсутствие углеводов делают чипсы подходящими
для кето диеты, а высокое содержание протеина превращает их в идеальный снек для
перекуса после тренировки. К тому же, небольшую упаковку удобно брать с собой,
чтобы похрустеть в дороге. Некоторые покупатели отмечают, что протеиновыми чипсами
легко можно наесться, причём для этого достаточно всего половины упаковки!
- Каша овсяная, 250 г Питательная овсянка, сваренная на свежем молоке. Нежная, чуть
сладковатая, она хороша и сама по себе, и с различными топингами. Например, в
кашу можно добавить душистые ягоды, сухофрукты или горстку орехов.
- 'Пирожное бисквитное "Картошка" Классическое пирожное со вкусом детства: плотное,
насыщенно-шоколадное, с нежнейшим масляным кремом. Спорим, оно станет одним из
ваших любимых лакомств?'
- source_sentence: баранина
sentences:
- Большая порция куриных шариков с пряным соусом "Цезарь" Сочные куриные шарики
с хрустящей корочкой и тягучей сырной начинкой. Приедут к вам горячими с порцией
соуса "Цезарь"
- Корм влажный консервированный для собак "Баранина с тыквой" кусочки в соусе Grand
Prix , 400 гр Полнорационный сбалансированный корм для собак, разработанный под
ветеринарным контролем. Содержит 45% баранины и субпродуктов, обогащен полезными
веществами. Дополнительно содержит пивные дрожжи, льняное семя и масло для здоровья
ЖКТ, шерсти и кожи.
- Люля-кебаб из ягнятины Халяль, зам. Аппетитные кебабы из ягнятины, приготовленные
по стандартам Халяль. Сочные, с пряной нотой зиры и кориандра.
- source_sentence: фило
sentences:
- Киви резанный, Фрешбар Сочные ломтики спелых киви, нарезанные на половинки
- Тесто "Фило" зам. 500 г Тончайшие листы теста фило для пирогов, десертов, роллов
- Брусники листья 1.5г ф/пак 20 шт Брусника активно применяется в урологии как диуретик
и природное средство против цистита и уретрита. Ее особая ценность в том, что
она оказывает одновременно и антибактериальное, и противовоспалительное, и мочегонное
действия.
- source_sentence: детская каша
sentences:
- Каша овсяная детская "Мишка" Сладкая овсяная каша с голубикой и бананами. Можно
приготовить на кокосовом молоке
- Сок гранатовый прямого отжима, 200 мл Натуральный сок холодного отжима, без сахара.
Сбалансированный вкус, слегка мутный из-за мякоти
- Десерт "Тирамису", 300 г Изысканный итальянский десерт в нестандартном исполнении.
В нашем Тирамису много (очень много!) сливочного крема и Маскарпоне,
поэтому лакомство невероятно нежное!
model-index:
- name: SentenceTransformer based on deepvk/USER-bge-m3
results:
- task:
type: triplet
name: Triplet
dataset:
name: dev
type: dev
metrics:
- type: cosine_accuracy
value: 0.9187996469549867
name: Cosine Accuracy
- type: dot_accuracy
value: 0.08031774051191527
name: Dot Accuracy
- type: manhattan_accuracy
value: 0.9170344218887908
name: Manhattan Accuracy
- type: euclidean_accuracy
value: 0.9187996469549867
name: Euclidean Accuracy
- type: max_accuracy
value: 0.9187996469549867
name: Max Accuracy
---
# SentenceTransformer based on deepvk/USER-bge-m3
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [deepvk/USER-bge-m3](https://huggingface.co/deepvk/USER-bge-m3). It maps sentences & paragraphs to a 1024-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:** [deepvk/USER-bge-m3](https://huggingface.co/deepvk/USER-bge-m3)
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1024 tokens
- **Similarity Function:** Cosine Similarity
### 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': 1024, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("Data-Lab/USER-bge-m3-embedder-td")
# Run inference
sentences = [
'детская каша',
'Каша овсяная детская "Мишка" Сладкая овсяная каша с голубикой и бананами. Можно приготовить на кокосовом молоке',
'Десерт "Тирамису", 300 г Изысканный итальянский десерт в нестандартном исполнении. В нашем Тирамису много (очень много!) сливочного крема и Маскарпоне, поэтому лакомство невероятно нежное!',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
## Evaluation
### Metrics
#### Triplet
* Dataset: `dev`
* Evaluated with [TripletEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| cosine_accuracy | 0.9188 |
| dot_accuracy | 0.0803 |
| manhattan_accuracy | 0.917 |
| euclidean_accuracy | 0.9188 |
| **max_accuracy** | **0.9188** |
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 10,189 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: 3 tokens
- mean: 7.85 tokens
- max: 30 tokens
| - min: 6 tokens
- mean: 61.74 tokens
- max: 377 tokens
| - min: 5 tokens
- mean: 64.71 tokens
- max: 393 tokens
|
* Samples:
| sentence_0 | sentence_1 | sentence_2 |
|:-------------------------------------|:---------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| хурма | Чипсы из хурмы, 25 г Натуральные чипсы из хурмы, без сахара. Мягкие, медово-фруктовые | Салат мимоза, 300 г Классический салат мимоза с горбушей, отварными овощами и куриными желтками. |
| жареное мясо | КК_котлета куриная жареная, вес | Баклажаны "Пармиджано" Мама миа, это же настоящая итальянская пармиджана! Нежные ломтики баклажанов, много томатов и ещё больше тягучего сыра. Очень насыщенно, сочно и аппетитно пряно. Баклажаны для этого рецепта не обжариваются, а запекаются в духовке, что делает блюдо более полезным и изысканным. |
| бедро цыпленка бройлера | Бедро цыплят-бройлеров Халяль 1 кг Сочное бедро цыпленка, подходит для маринования, тушения и запекания | Мясо бедра (Филе бедра) индейки в маринаде "Чесночный" 1 кг Диетическое, нежирное филе бедра индейки с деликатным вкусом и ароматом. В меру подсолено и приправлено острым чесночком и травами. |
* Loss: [TripletLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
```json
{
"distance_metric": "TripletDistanceMetric.COSINE",
"triplet_margin": 0.5
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 4
- `per_device_eval_batch_size`: 4
- `fp16`: True
- `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`: 4
- `per_device_eval_batch_size`: 4
- `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`: 3
- `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`: 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`: True
- `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`: round_robin