---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:22654
- loss:ContrastiveLoss
- loss:TripletLoss
- loss:CoSENTLoss
- loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
widget:
- source_sentence: Network Operations Specialist yêu cầu tối ưu hóa mạng.
  sentences:
  - Actor cần có kỹ năng biểu diễn sân khấu và hóa thân vào nhiều loại nhân vật.
  - Network Operations Specialist cần tối ưu hóa mạng.
  - Nhà tư vấn PR hỗ trợ doanh nghiệp trong việc phát triển hình ảnh công chúng và
    xử lý khủng hoảng.
- source_sentence: Cybersecurity Specialist với kinh nghiệm bảo mật hệ thống 5 năm.
  sentences:
  - Kỹ sư cơ khí cần phát triển hệ thống sản xuất tự động hóa.
  - Cybersecurity Engineer, yêu cầu tối thiểu 5 năm trong bảo mật.
  - Data Scientist cần kỹ năng Machine Learning và Python.
- source_sentence: Tư vấn môi trường hỗ trợ kiểm soát ô nhiễm môi trường đô thị.
  sentences:
  - Quản lý chất thải có kinh nghiệm xử lý và tái chế nước.
  - Tư vấn môi trường quản lý chất lượng môi trường đô thị.
  - Illustrator cần có khả năng minh họa cho sách giáo dục và tài liệu học tập.
- source_sentence: Mobile Developer với kinh nghiệm phát triển ứng dụng iOS và Swift.
  sentences:
  - Tuyển iOS Developer có kỹ năng làm việc với Swift.
  - Tuyển chuyên viên QA kiểm tra chất lượng phần mềm.
  - Mobile Developer cần biết phát triển ứng dụng đa nền tảng.
- source_sentence: Mobile Developer, kinh nghiệm lập trình ứng dụng iOS với Swift.
  sentences:
  - Tuyển kỹ sư cơ khí giám sát dây chuyền sản xuất.
  - Công ty XYZ tuyển Data Scientist với tối thiểu 2 năm kinh nghiệm học máy.
  - Tuyển iOS Developer thành thạo Swift.
datasets:
- HZeroxium/job-cv-binary
- HZeroxium/cv-job-triplet
- HZeroxium/cv-job-similarity
- HZeroxium/job-paraphrase
- HZeroxium/cv-paraphrase
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy
- cosine_accuracy_threshold
- cosine_f1
- cosine_f1_threshold
- cosine_precision
- cosine_recall
- cosine_ap
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
  results:
  - task:
      type: binary-classification
      name: Binary Classification
    dataset:
      name: Unknown
      type: unknown
    metrics:
    - type: cosine_accuracy
      value: 0.9755351681957186
      name: Cosine Accuracy
    - type: cosine_accuracy_threshold
      value: 0.5808850526809692
      name: Cosine Accuracy Threshold
    - type: cosine_f1
      value: 0.9779005524861878
      name: Cosine F1
    - type: cosine_f1_threshold
      value: 0.5644330978393555
      name: Cosine F1 Threshold
    - type: cosine_precision
      value: 0.9833333333333333
      name: Cosine Precision
    - type: cosine_recall
      value: 0.9725274725274725
      name: Cosine Recall
    - type: cosine_ap
      value: 0.9956042554162885
      name: Cosine Ap
    - type: cosine_accuracy
      value: 0.9968051118210862
      name: Cosine Accuracy
    - type: cosine_accuracy_threshold
      value: 0.7650139331817627
      name: Cosine Accuracy Threshold
    - type: cosine_f1
      value: 0.9984
      name: Cosine F1
    - type: cosine_f1_threshold
      value: 0.7650139331817627
      name: Cosine F1 Threshold
    - type: cosine_precision
      value: 1.0
      name: Cosine Precision
    - type: cosine_recall
      value: 0.9968051118210862
      name: Cosine Recall
    - type: cosine_ap
      value: 0.9999999999999999
      name: Cosine Ap
    - type: cosine_accuracy
      value: 0.9936305732484076
      name: Cosine Accuracy
    - type: cosine_accuracy_threshold
      value: 0.8211346864700317
      name: Cosine Accuracy Threshold
    - type: cosine_f1
      value: 0.9968051118210862
      name: Cosine F1
    - type: cosine_f1_threshold
      value: 0.8211346864700317
      name: Cosine F1 Threshold
    - type: cosine_precision
      value: 1.0
      name: Cosine Precision
    - type: cosine_recall
      value: 0.9936305732484076
      name: Cosine Recall
    - type: cosine_ap
      value: 1.0
      name: Cosine Ap
  - task:
      type: triplet
      name: Triplet
    dataset:
      name: Unknown
      type: unknown
    metrics:
    - type: cosine_accuracy
      value: 1.0
      name: Cosine Accuracy
  - task:
      type: semantic-similarity
      name: Semantic Similarity
    dataset:
      name: Unknown
      type: unknown
    metrics:
    - type: pearson_cosine
      value: 0.970012297655986
      name: Pearson Cosine
    - type: spearman_cosine
      value: 0.9430534588122865
      name: Spearman Cosine
---

# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) on the [binary](https://huggingface.co/datasets/HZeroxium/job-cv-binary), [triplet](https://huggingface.co/datasets/HZeroxium/cv-job-triplet), [similarity](https://huggingface.co/datasets/HZeroxium/cv-job-similarity), [job_paraphrase](https://huggingface.co/datasets/HZeroxium/job-paraphrase) and [cv_paraphrase](https://huggingface.co/datasets/HZeroxium/cv-paraphrase) datasets. 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:** [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision 8d6b950845285729817bf8e1af1861502c2fed0c -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Datasets:**
    - [binary](https://huggingface.co/datasets/HZeroxium/job-cv-binary)
    - [triplet](https://huggingface.co/datasets/HZeroxium/cv-job-triplet)
    - [similarity](https://huggingface.co/datasets/HZeroxium/cv-job-similarity)
    - [job_paraphrase](https://huggingface.co/datasets/HZeroxium/job-paraphrase)
    - [cv_paraphrase](https://huggingface.co/datasets/HZeroxium/cv-paraphrase)
<!-- - **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': 128, '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})
)
```

## 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("paraphrase-multilingual-MiniLM-L12-v2-job-cv-multi-dataset")
# Run inference
sentences = [
    'Mobile Developer, kinh nghiệm lập trình ứng dụng iOS với Swift.',
    'Tuyển iOS Developer thành thạo Swift.',
    'Tuyển kỹ sư cơ khí giám sát dây chuyền sản xuất.',
]
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.*
-->

## Evaluation

### Metrics

#### Binary Classification

* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)

| Metric                    | Value      |
|:--------------------------|:-----------|
| cosine_accuracy           | 0.9755     |
| cosine_accuracy_threshold | 0.5809     |
| cosine_f1                 | 0.9779     |
| cosine_f1_threshold       | 0.5644     |
| cosine_precision          | 0.9833     |
| cosine_recall             | 0.9725     |
| **cosine_ap**             | **0.9956** |

#### Triplet

* Evaluated with [<code>TripletEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.TripletEvaluator)

| Metric              | Value   |
|:--------------------|:--------|
| **cosine_accuracy** | **1.0** |

#### Semantic Similarity

* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)

| Metric              | Value      |
|:--------------------|:-----------|
| pearson_cosine      | 0.97       |
| **spearman_cosine** | **0.9431** |

#### Binary Classification

* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)

| Metric                    | Value   |
|:--------------------------|:--------|
| cosine_accuracy           | 0.9968  |
| cosine_accuracy_threshold | 0.765   |
| cosine_f1                 | 0.9984  |
| cosine_f1_threshold       | 0.765   |
| cosine_precision          | 1.0     |
| cosine_recall             | 0.9968  |
| **cosine_ap**             | **1.0** |

#### Binary Classification

* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator)

| Metric                    | Value   |
|:--------------------------|:--------|
| cosine_accuracy           | 0.9936  |
| cosine_accuracy_threshold | 0.8211  |
| cosine_f1                 | 0.9968  |
| cosine_f1_threshold       | 0.8211  |
| cosine_precision          | 1.0     |
| cosine_recall             | 0.9936  |
| **cosine_ap**             | **1.0** |

<!--
## 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 Datasets

#### binary

* Dataset: [binary](https://huggingface.co/datasets/HZeroxium/job-cv-binary) at [8c79343](https://huggingface.co/datasets/HZeroxium/job-cv-binary/tree/8c79343a3f789fc136bd857209d4b45c498f2ead)
* Size: 6,197 training samples
* Columns: <code>text1</code>, <code>text2</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
  |         | text1                                                                             | text2                                                                             | label                                           |
  |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
  | type    | string                                                                            | string                                                                            | int                                             |
  | details | <ul><li>min: 10 tokens</li><li>mean: 19.5 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.91 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>0: ~43.70%</li><li>1: ~56.30%</li></ul> |
* Samples:
  | text1                                                                                        | text2                                                                   | label          |
  |:---------------------------------------------------------------------------------------------|:------------------------------------------------------------------------|:---------------|
  | <code>Lập trình viên backend, 3 năm kinh nghiệm với Node.js và xây dựng API.</code>          | <code>Tuyển Backend Developer có kinh nghiệm với Node.js.</code>        | <code>1</code> |
  | <code>Kỹ sư mạng với 6 năm kinh nghiệm quản lý hệ thống mạng lớn.</code>                     | <code>Cần System Administrator với kinh nghiệm quản lý hệ thống.</code> | <code>0</code> |
  | <code>Lập trình viên JavaScript với 4 năm kinh nghiệm, thành thạo Node.js và Express.</code> | <code>Cần tuyển Backend Developer biết sử dụng PHP và Laravel.</code>   | <code>0</code> |
* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
  ```json
  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  ```

#### triplet

* Dataset: [triplet](https://huggingface.co/datasets/HZeroxium/cv-job-triplet) at [3100410](https://huggingface.co/datasets/HZeroxium/cv-job-triplet/tree/31004104be298c5f2f1648d8234391e7a5f7d9c0)
* Size: 2,981 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: 10 tokens</li><li>mean: 19.51 tokens</li><li>max: 36 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 15.88 tokens</li><li>max: 25 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 14.47 tokens</li><li>max: 22 tokens</li></ul> |
* Samples:
  | anchor                                                                                       | positive                                                                            | negative                                                                       |
  |:---------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------|
  | <code>Account Manager, chuyên quản lý khách hàng B2B và xây dựng mối quan hệ lâu dài.</code> | <code>Tuyển Account Manager có kinh nghiệm quản lý khách hàng doanh nghiệp.</code>  | <code>Tuyển chuyên viên pháp lý tư vấn doanh nghiệp.</code>                    |
  | <code>Chuyên viên tư vấn giáo dục với 10 năm kinh nghiệm định hướng nghề nghiệp.</code>      | <code>Cần chuyên viên tư vấn giáo dục có kinh nghiệm định hướng nghề nghiệp.</code> | <code>Nhân viên tổ chức sự kiện giáo dục hỗ trợ triển khai hội thảo.</code>    |
  | <code>Actor với nhiều năm kinh nghiệm diễn xuất trên sân khấu và phim truyền hình.</code>    | <code>Diễn viên cần có khả năng hóa thân vào các vai diễn phức tạp.</code>          | <code>Nhà sản xuất phim cần quản lý và tổ chức các dự án phim tài liệu.</code> |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
  ```json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }
  ```

#### similarity

* Dataset: [similarity](https://huggingface.co/datasets/HZeroxium/cv-job-similarity) at [c810681](https://huggingface.co/datasets/HZeroxium/cv-job-similarity/tree/c8106811dc1709bb834a1b59e3cb46f5ab75dfd9)
* Size: 4,568 training samples
* Columns: <code>text1</code>, <code>text2</code>, and <code>score</code>
* Approximate statistics based on the first 1000 samples:
  |         | text1                                                                              | text2                                                                             | score                                                            |
  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------|
  | type    | string                                                                             | string                                                                            | float                                                            |
  | details | <ul><li>min: 10 tokens</li><li>mean: 18.86 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 16.12 tokens</li><li>max: 27 tokens</li></ul> | <ul><li>min: 0.19</li><li>mean: 0.68</li><li>max: 0.96</li></ul> |
* Samples:
  | text1                                                                                                | text2                                                                            | score             |
  |:-----------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|:------------------|
  | <code>Hardware Engineer có khả năng thiết kế hệ thống nhúng.</code>                                  | <code>Embedded Engineer cần có kỹ năng phát triển phần mềm nhúng.</code>         | <code>0.74</code> |
  | <code>Kỹ sư phần mềm, chuyên môn trong phát triển hệ thống thời gian thực, 4 năm kinh nghiệm.</code> | <code>Yêu cầu Embedded Software Engineer với kinh nghiệm tối thiểu 3 năm.</code> | <code>0.88</code> |
  | <code>Cần Software Engineer với kinh nghiệm phát triển web.</code>                                   | <code>Frontend Developer cần thành thạo React và JavaScript.</code>              | <code>0.34</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
  ```json
  {
      "scale": 20.0,
      "similarity_fct": "pairwise_cos_sim"
  }
  ```

#### job_paraphrase

* Dataset: [job_paraphrase](https://huggingface.co/datasets/HZeroxium/job-paraphrase) at [6872029](https://huggingface.co/datasets/HZeroxium/job-paraphrase/tree/68720291bb9f628792d2f28d4653f03f6de5ef42)
* Size: 5,939 training samples
* Columns: <code>text1</code> and <code>text2</code>
* Approximate statistics based on the first 1000 samples:
  |         | text1                                                                             | text2                                                                             |
  |:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
  | type    | string                                                                            | string                                                                            |
  | details | <ul><li>min: 6 tokens</li><li>mean: 16.25 tokens</li><li>max: 25 tokens</li></ul> | <ul><li>min: 6 tokens</li><li>mean: 15.78 tokens</li><li>max: 25 tokens</li></ul> |
* Samples:
  | text1                                                                         | text2                                                                             |
  |:------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
  | <code>Nhân viên hỗ trợ kho thuốc cần kỹ năng quản lý.</code>                  | <code>Nhân viên kho thuốc cần kỹ năng kiểm kê.</code>                             |
  | <code>Nhân viên bán hàng cần có kỹ năng giao tiếp và xử lý tình huống.</code> | <code>Salesperson chuyên xử lý đơn hàng và giữ mối quan hệ với khách hàng.</code> |
  | <code>Tuyển kỹ sư cơ khí chuyên thiết kế máy móc công nghiệp.</code>          | <code>Kỹ sư cơ khí cần thiết kế hệ thống sản xuất tiên tiến.</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"
  }
  ```

#### cv_paraphrase

* Dataset: [cv_paraphrase](https://huggingface.co/datasets/HZeroxium/cv-paraphrase) at [22ce02f](https://huggingface.co/datasets/HZeroxium/cv-paraphrase/tree/22ce02ff309bc91193b3fa9c14a51fb3481a5fc2)
* Size: 2,969 training samples
* Columns: <code>text1</code> and <code>text2</code>
* Approximate statistics based on the first 1000 samples:
  |         | text1                                                                             | text2                                                                              |
  |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
  | type    | string                                                                            | string                                                                             |
  | details | <ul><li>min: 10 tokens</li><li>mean: 20.6 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 19.52 tokens</li><li>max: 32 tokens</li></ul> |
* Samples:
  | text1                                                                                                             | text2                                                                                 |
  |:------------------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|
  | <code>Chuyên viên quản lý danh mục đầu tư với 8 năm kinh nghiệm tối ưu hóa tài sản và phân tích lợi nhuận.</code> | <code>8 năm kinh nghiệm quản lý danh mục đầu tư và phân tích tài chính.</code>        |
  | <code>Hotel Manager with strong leadership skills and 5 years of experience.</code>                               | <code>Hotel manager skilled in optimizing hotel operations and guest services.</code> |
  | <code>7 năm kinh nghiệm phát triển backend và cơ sở dữ liệu.</code>                                               | <code>Backend Developer chuyên về API và cơ sở dữ liệu.</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"
  }
  ```

### Evaluation Datasets

#### binary

* Dataset: [binary](https://huggingface.co/datasets/HZeroxium/job-cv-binary) at [8c79343](https://huggingface.co/datasets/HZeroxium/job-cv-binary/tree/8c79343a3f789fc136bd857209d4b45c498f2ead)
* Size: 327 evaluation samples
* Columns: <code>text1</code>, <code>text2</code>, and <code>label</code>
* Approximate statistics based on the first 327 samples:
  |         | text1                                                                              | text2                                                                             | label                                           |
  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------|
  | type    | string                                                                             | string                                                                            | int                                             |
  | details | <ul><li>min: 11 tokens</li><li>mean: 19.36 tokens</li><li>max: 31 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 16.01 tokens</li><li>max: 26 tokens</li></ul> | <ul><li>0: ~44.34%</li><li>1: ~55.66%</li></ul> |
* Samples:
  | text1                                                                      | text2                                                                 | label          |
  |:---------------------------------------------------------------------------|:----------------------------------------------------------------------|:---------------|
  | <code>Tuyển kỹ sư phần mềm nhúng có kinh nghiệm 3 năm trở lên.</code>      | <code>Software Developer, yêu cầu hiểu biết về hệ thống nhúng.</code> | <code>0</code> |
  | <code>Tư vấn môi trường hỗ trợ kiểm soát ô nhiễm môi trường đô thị.</code> | <code>Quản lý chất thải có kinh nghiệm xử lý và tái chế nước.</code>  | <code>1</code> |
  | <code>DevOps Engineer với khả năng triển khai trên AWS, Azure.</code>      | <code>Cloud Engineer cần quản lý hạ tầng.</code>                      | <code>1</code> |
* Loss: [<code>ContrastiveLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#contrastiveloss) with these parameters:
  ```json
  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  ```

#### triplet

* Dataset: [triplet](https://huggingface.co/datasets/HZeroxium/cv-job-triplet) at [3100410](https://huggingface.co/datasets/HZeroxium/cv-job-triplet/tree/31004104be298c5f2f1648d8234391e7a5f7d9c0)
* Size: 157 evaluation samples
* Columns: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
* Approximate statistics based on the first 157 samples:
  |         | anchor                                                                            | positive                                                                           | negative                                                                          |
  |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
  | type    | string                                                                            | string                                                                             | string                                                                            |
  | details | <ul><li>min: 13 tokens</li><li>mean: 19.6 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 15.66 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 14.06 tokens</li><li>max: 20 tokens</li></ul> |
* Samples:
  | anchor                                                                                       | positive                                                                 | negative                                                        |
  |:---------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------|:----------------------------------------------------------------|
  | <code>Quản lý danh mục đầu tư tài chính trong hơn 6 năm, chuyên gia phân tích đầu tư.</code> | <code>Investment Analyst cần kinh nghiệm quản lý danh mục đầu tư.</code> | <code>Kế toán chi phí phụ trách kiểm soát chi phí.</code>       |
  | <code>Chuyên viên quản lý chuỗi cung ứng, thành thạo SAP và tối ưu hóa quy trình.</code>     | <code>Supply Chain Manager có kinh nghiệm tối ưu chuỗi cung ứng.</code>  | <code>Tuyển lập trình viên Unity phát triển trò chơi 3D.</code> |
  | <code>Nhà phân tích dữ liệu, kinh nghiệm trong lĩnh vực y tế và sinh học.</code>             | <code>Data Analyst cần kỹ năng phân tích dữ liệu y tế.</code>            | <code>Tuyển nhân viên kinh doanh bất động sản.</code>           |
* Loss: [<code>TripletLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters:
  ```json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }
  ```

#### similarity

* Dataset: [similarity](https://huggingface.co/datasets/HZeroxium/cv-job-similarity) at [c810681](https://huggingface.co/datasets/HZeroxium/cv-job-similarity/tree/c8106811dc1709bb834a1b59e3cb46f5ab75dfd9)
* Size: 241 evaluation samples
* Columns: <code>text1</code>, <code>text2</code>, and <code>score</code>
* Approximate statistics based on the first 241 samples:
  |         | text1                                                                              | text2                                                                             | score                                                           |
  |:--------|:-----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------|
  | type    | string                                                                             | string                                                                            | float                                                           |
  | details | <ul><li>min: 11 tokens</li><li>mean: 18.69 tokens</li><li>max: 28 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 15.93 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 0.2</li><li>mean: 0.67</li><li>max: 0.95</li></ul> |
* Samples:
  | text1                                                                                    | text2                                                                                 | score             |
  |:-----------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------|:------------------|
  | <code>Cần Quản lý đội xe có khả năng giám sát hiệu suất và lập kế hoạch vận hành.</code> | <code>Điều phối viên vận tải yêu cầu giám sát và tối ưu hóa hoạt động vận tải.</code> | <code>0.83</code> |
  | <code>Lập trình viên Python với kỹ năng xây dựng và tối ưu hóa hệ thống backend.</code>  | <code>Hỗ trợ kỹ thuật viên IT xử lý lỗi mạng.</code>                                  | <code>0.29</code> |
  | <code>Nhà khoa học nghiên cứu các hệ thống nano tiên tiến cho y học hiện đại.</code>     | <code>Kỹ thuật viên thí nghiệm tập trung vào phân tích vật liệu nano.</code>          | <code>0.74</code> |
* Loss: [<code>CoSENTLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosentloss) with these parameters:
  ```json
  {
      "scale": 20.0,
      "similarity_fct": "pairwise_cos_sim"
  }
  ```

#### job_paraphrase

* Dataset: [job_paraphrase](https://huggingface.co/datasets/HZeroxium/job-paraphrase) at [6872029](https://huggingface.co/datasets/HZeroxium/job-paraphrase/tree/68720291bb9f628792d2f28d4653f03f6de5ef42)
* Size: 313 evaluation samples
* Columns: <code>text1</code> and <code>text2</code>
* Approximate statistics based on the first 313 samples:
  |         | text1                                                                              | text2                                                                              |
  |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
  | type    | string                                                                             | string                                                                             |
  | details | <ul><li>min: 10 tokens</li><li>mean: 16.32 tokens</li><li>max: 23 tokens</li></ul> | <ul><li>min: 10 tokens</li><li>mean: 15.74 tokens</li><li>max: 25 tokens</li></ul> |
* Samples:
  | text1                                                                            | text2                                                                                |
  |:---------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
  | <code>Restaurant Manager chịu trách nhiệm giám sát và tối ưu hóa dịch vụ.</code> | <code>Restaurant Manager có khả năng điều hành và phát triển dịch vụ ăn uống.</code> |
  | <code>Quản lý thương mại điện tử tối ưu hóa quy trình bán hàng.</code>           | <code>Quản lý sàn thương mại điện tử cần tối ưu hóa vận hành.</code>                 |
  | <code>Kỹ thuật viên kiểm tra cần kiểm tra chất lượng hệ thống sản xuất.</code>   | <code>Kỹ thuật viên kiểm tra yêu cầu giám sát quy trình sản xuất.</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"
  }
  ```

#### cv_paraphrase

* Dataset: [cv_paraphrase](https://huggingface.co/datasets/HZeroxium/cv-paraphrase) at [22ce02f](https://huggingface.co/datasets/HZeroxium/cv-paraphrase/tree/22ce02ff309bc91193b3fa9c14a51fb3481a5fc2)
* Size: 157 evaluation samples
* Columns: <code>text1</code> and <code>text2</code>
* Approximate statistics based on the first 157 samples:
  |         | text1                                                                              | text2                                                                              |
  |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|
  | type    | string                                                                             | string                                                                             |
  | details | <ul><li>min: 12 tokens</li><li>mean: 20.28 tokens</li><li>max: 32 tokens</li></ul> | <ul><li>min: 13 tokens</li><li>mean: 19.34 tokens</li><li>max: 28 tokens</li></ul> |
* Samples:
  | text1                                                                                                | text2                                                                                                      |
  |:-----------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------|
  | <code>Producer với kinh nghiệm quản lý các dự án phim truyền hình và phim tài liệu.</code>           | <code>Chuyên gia sản xuất phim với kỹ năng quản lý các dự án phim lớn.</code>                              |
  | <code>Chuyên viên xử lý môi trường có kinh nghiệm trong xử lý nước thải và kiểm soát ô nhiễm.</code> | <code>Chuyên gia tư vấn môi trường với kinh nghiệm phát triển các dự án tái chế và xử lý nước thải.</code> |
  | <code>Cybersecurity Expert, chuyên gia bảo mật với 3 năm kinh nghiệm.</code>                         | <code>Chuyên gia An ninh mạng, 3 năm kinh nghiệm bảo mật hệ thống.</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

- `eval_strategy`: steps
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `learning_rate`: 2e-05
- `num_train_epochs`: 5
- `warmup_ratio`: 0.1
- `fp16`: True
- `batch_sampler`: no_duplicates

#### All Hyperparameters
<details><summary>Click to expand</summary>

- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 32
- `per_device_eval_batch_size`: 32
- `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`: 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
- `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`: 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
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional

</details>

### Training Logs
| Epoch  | Step | Training Loss | binary loss | triplet loss | similarity loss | job paraphrase loss | cv paraphrase loss | cosine_ap | cosine_accuracy | spearman_cosine |
|:------:|:----:|:-------------:|:-----------:|:------------:|:---------------:|:-------------------:|:------------------:|:---------:|:---------------:|:---------------:|
| 0      | 0    | -             | -           | -            | -               | -                   | -                  | 1.0       | 0.9682          | 0.5468          |
| 0.2817 | 200  | 2.401         | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 0.5634 | 400  | 1.5659        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 0.7042 | 500  | -             | 0.0088      | 0.2391       | 6.9067          | 0.1746              | 0.2689             | 1.0       | 0.9936          | 0.9123          |
| 0.8451 | 600  | 1.8501        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 1.1268 | 800  | 1.7318        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 1.4085 | 1000 | 1.3758        | 0.0079      | 0.0367       | 6.2019          | 0.1665              | 0.2657             | 1.0       | 1.0             | 0.9238          |
| 1.6901 | 1200 | 1.3554        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 1.9718 | 1400 | 1.5119        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 2.1127 | 1500 | -             | 0.0081      | 0.0144       | 5.7135          | 0.1633              | 0.2295             | 1.0       | 1.0             | 0.9341          |
| 2.2535 | 1600 | 1.2886        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 2.5352 | 1800 | 1.1131        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 2.8169 | 2000 | 1.3962        | 0.0108      | 0.0191       | 6.0231          | 0.1540              | 0.2342             | 1.0       | 1.0             | 0.9396          |
| 3.0986 | 2200 | 1.2394        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 3.3803 | 2400 | 1.1392        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 3.5211 | 2500 | -             | 0.0097      | 0.0025       | 5.6361          | 0.1580              | 0.2212             | 1.0       | 1.0             | 0.9410          |
| 3.6620 | 2600 | 1.1614        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 3.9437 | 2800 | 1.2351        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 4.2254 | 3000 | 1.1862        | 0.0100      | 0.0107       | 5.5943          | 0.1517              | 0.2158             | 1.0       | 1.0             | 0.9420          |
| 4.5070 | 3200 | 0.9371        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 4.7887 | 3400 | 1.3572        | -           | -            | -               | -                   | -                  | -         | -               | -               |
| 4.9296 | 3500 | -             | 0.0104      | 0.0057       | 5.6213          | 0.1539              | 0.2141             | 1.0       | 1.0             | 0.9429          |
| 5.0    | 3550 | -             | -           | -            | -               | -                   | -                  | 1.0       | 1.0             | 0.9431          |


### Framework Versions
- Python: 3.12.4
- Sentence Transformers: 3.3.0
- Transformers: 4.46.2
- PyTorch: 2.5.1+cu124
- Accelerate: 1.1.1
- Datasets: 3.1.0
- Tokenizers: 0.20.3

## 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",
}
```

#### ContrastiveLoss
```bibtex
@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}
```

#### TripletLoss
```bibtex
@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}
```

#### CoSENTLoss
```bibtex
@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}
```

#### 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.*
-->