PharmAfiyahProducts — doctobert fine-tuné pour le matching de produits pharmaceutiques

But du modèle

Ce modèle est un bi-encoder de similarité textuelle, fine-tuné à partir de doctolib-lab/doctobert-fr-base pour la recherche de produits pharmaceutiques et parapharmaceutiques par similarité : à partir d'une désignation de produit (souvent abrégée, écrite de façon incohérente d'un système à l'autre), il permet de retrouver dans un référentiel les produits qui désignent le même produit et la même présentation (même marque, principe actif, dosage, forme galénique, volume, conditionnement), avec un score de similarité cosinus.

Il est conçu pour une étape de retrieval rapide (embeddings + recherche par similarité, ex. via un index FAISS) : à partir d'un produit donné, le modèle retrouve les candidats les plus proches dans un référentiel de produits, à utiliser ensuite pour une déduplication de catalogue, un matching produit, ou une recherche assistée.

Ce n'est pas un modèle de similarité sémantique générale — il est spécialisé sur des noms de produits courts, très abrégés, avec un fort enjeu à distinguer des textes presque identiques qui ne diffèrent que par un dosage, un volume ou une marque (ex. "AMCARD CPR 10MG BT14" vs "AMCARD CPR 5MG BT14" doivent être écartés, pas rapprochés).

Métriques (classification binaire par similarité cosinus, jeu de validation)

Métrique	Valeur
Cosine AP (Average Precision)	0.9685
Cosine F1	0.8976
Cosine Precision	0.9195
Cosine Recall	0.8752
Cosine Accuracy	0.8976
Cosine MCC	0.7963

Données d'entraînement

• Base : doctolib-lab/doctobert-fr-base
• Paires labellisées (1 = même produit/présentation, 0 = différent), issues de comparaisons de désignations de produits pharmaceutiques, labellisées par un LLM puis vérifiées
• 8481 paires d'entraînement / 1387 de validation, labels globalement équilibrés (train : 4252 négatifs / 4229 positifs)
• Loss : OnlineContrastiveLoss (similarité cosinus)

---

This is a sentence-transformers model finetuned from doctolib-lab/doctobert-fr-base. 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: doctolib-lab/doctobert-fr-base
• Maximum Sequence Length: 64 tokens
• Output Dimensionality: 768 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': 64, 'do_lower_case': False, 'architecture': 'RobertaModel'})
  (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("sentence_transformers_model_id")
# Run inference
sentences = [
    'ACILOC 25MG/ML AMP/2ML BT5 AZANTAC',
    'AZANTAC ACILOC 25MG/ML AMP/2ML B/5',
    'NATURALIA CR SPF20 DEPIG 50 ML',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.9727, 0.3115],
#         [0.9727, 1.0000, 0.2771],
#         [0.3115, 0.2771, 1.0000]])

Evaluation

Metrics

Binary Classification

• Dataset: validation
• Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.8976
cosine_accuracy_threshold	0.8936
cosine_f1	0.8968
cosine_f1_threshold	0.8881
cosine_precision	0.9195
cosine_recall	0.8752
cosine_ap	0.9685
cosine_mcc	0.7963

Training Details

Training Dataset

Unnamed Dataset

• Size: 8,481 training samples
• Columns: name_left, name_right, and label
• Approximate statistics based on the first 1000 samples:

  	name_left	name_right	label
  type	string	string	float
  details	min: 3 tokens mean: 16.28 tokens max: 34 tokens	min: 4 tokens mean: 16.81 tokens max: 32 tokens	min: 0.0 mean: 0.49 max: 1.0

• Samples:

  name_left	name_right	label
  EFFACLAR DUO+ 40ML M6940501	EFFACLAR DUO+ 40 ML M6940501	1.0
  AVENE CLEAN SPOT SOIN LOCALIS	AVENE CLEAN SPOT SOIN LOCALISE	1.0
  Canpol Tétine Biberon Standart Croix 2pcs 6M+	Canpol Tétine Biberon Standart Slow 3M+ 2pcs	0.0

• Loss: OnlineContrastiveLoss

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• gradient_accumulation_steps: 4
• learning_rate: 2e-05
• num_train_epochs: 8
• warmup_ratio: 0.1
• data_seed: 42
• fp16: True
• load_best_model_at_end: True
• auto_find_batch_size: True

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• 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: 4
• 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: 8
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• 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: 42
• jit_mode_eval: 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: 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}
• parallelism_config: 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
• project: huggingface
• trackio_space_id: trackio
• 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: None
• hub_always_push: False
• hub_revision: None
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• 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: True
• full_determinism: False
• torchdynamo: None
• ray_scope: last
• ddp_timeout: 1800
• torch_compile: False
• torch_compile_backend: None
• torch_compile_mode: None
• include_tokens_per_second: False
• include_num_input_tokens_seen: no
• neftune_noise_alpha: None
• optim_target_modules: None
• batch_eval_metrics: False
• eval_on_start: False
• use_liger_kernel: False
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: True
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	validation_cosine_ap
0.5014	133	0.3404	0.8725
1.0	266	0.1281	0.9267
1.5014	399	0.0943	0.9419
2.0	532	0.077	0.9508
2.5014	665	0.0488	0.9504
3.0	798	0.0544	0.9544
3.5014	931	0.033	0.9566
4.0	1064	0.0394	0.9571
4.5014	1197	0.0308	0.9590
5.0	1330	0.0282	0.9662
5.5014	1463	0.0252	0.9654
6.0	1596	0.0255	0.9656
6.5014	1729	0.0192	0.9685
7.0	1862	0.0149	0.9685
7.5014	1995	0.0185	0.9686
8.0	2128	0.0152	0.9685

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.13.11
• Sentence Transformers: 5.2.2
• Transformers: 4.57.6
• PyTorch: 2.10.0+cu128
• Accelerate: 1.12.0
• Datasets: 4.5.0
• Tokenizers: 0.22.2

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",
}