--- datasets: [] language: [] library_name: sentence-transformers metrics: - cosine_accuracy@1 - cosine_accuracy@3 - cosine_precision@1 - cosine_precision@3 - cosine_recall@1 - cosine_recall@3 - cosine_ndcg@10 - cosine_mrr@10 - cosine_map@100 - dot_accuracy@1 - dot_accuracy@3 - dot_precision@1 - dot_precision@3 - dot_recall@1 - dot_recall@3 - dot_ndcg@10 - dot_mrr@10 - dot_map@100 pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:35680 - loss:TripletLoss widget: - source_sentence: Можем ли мы с мужем одновременно получать единовременное пособие при рождении sentences: - Право на единовременное пособие при рождении ребенка имеет один из родителей или лицо, официально его заменяющее. - ЗП - это заработная плата. - 'Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример оформления справки – «Выдана_____, в том, что работает с___по настоящее время в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял. Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось. Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование отпуска по уходу за ребенком.' - source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких организациях? sentences: - Пожалуйста, обратитесь к непосредственному руководителю для коммуникации с бизнес-партнером по персоналу Вашего подразделения, чтобы он создал заявку на Вас в Личном кабинете по теме «Отзыв из отпуска» - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности и родам на каждом месте работы. При расчетах будет учитываться средний заработок у каждого работодателя в течение 2 лет. - С данным вопросом сотруднику необходимо обратиться в СФР по номеру телефона 8 (800) 100-00-01. Если требуется сделать перерасчет в связи с заменой лет по заявлению, сотрудник должен создать заявку в Личном кабинете по теме "Больничный", "Перерасчет пособий". - source_sentence: Можно ли изменить период больничного по беременности и родам, если в ЭЛН указаны другие периоды sentences: - "При проблемах со входом в личный кабинет, прежде чем создавать заявку в поддержку,\ \ убедитесь, что заходите в ЛК на сайте https://company-x5.ru, указываете актуальные\ \ и верные логин и пароль.\n Если Вам неизвестен логин, обратитесь к руководителю\ \ (ДМ), он сможет посмотреть Ваш логин и сбросить пароль в веб-табеле.\n Для самостоятельного\ \ сброса пароля позвоните с вашего мобильного телефона на +7 (XXX) XXX XX XX,\ \ наберите добавочный номер 10100, нажмите * и подтвердите сброс пароля, нажав\ \ #.\n Обновленный пароль отправляется по SMS." - Перевод возможен после окончания отпуска по беременности и родам. - Вы можете продолжить работу во время больничного по беременности и родам, при этом Вам будет выплачиваться заработная плата. Пособие по беременности и родам будет рассчитано с фактической даты ухода в отпуск по беременности и родам (соответственно, будет оплачено меньшее кол-во дней БИРа). - source_sentence: Можно ли получать пособие по рождению ребенка сразу в нескольких организациях? sentences: - Сотруднику следует написать заявление о предоставлении отпуска по беременности и родам и передать его непосредственному руководителю, он оформит соответствующее мероприятие. - Для обнуления ставки создайте заявку в Личном кабинете по теме «Табель/график/рабочее время», далее «Обнуление ставок». Обратите внимание, что обнуление ставок проводится в случае нахождения сотрудника на длительном больничном или в отпуске без сохранения заработной платы. - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности и родам на каждом месте работы. При расчетах будет учитываться средний заработок у каждого работодателя в течение 2 лет. - source_sentence: я могу перевести во время отпуска по беременности? sentences: - Если Вы работаете в нескольких местах, то можете оформить пособие по беременности и родам на каждом месте работы. При расчетах будет учитываться средний заработок у каждого работодателя в течение 2 лет. - Перевод возможен после окончания отпуска по беременности и родам. - Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль, Раздел «Доверенности». model-index: - name: SentenceTransformer results: - task: type: information-retrieval name: Information Retrieval dataset: name: single answer eval type: single_answer_eval metrics: - type: cosine_accuracy@1 value: 0.6350941105039466 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9034608378870674 name: Cosine Accuracy@3 - type: cosine_precision@1 value: 0.6350941105039466 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.302367941712204 name: Cosine Precision@3 - type: cosine_recall@1 value: 0.060118489080237716 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.08666323220057282 name: Cosine Recall@3 - type: cosine_ndcg@10 value: 0.1854670878334577 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.778253630940333 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.07722249429342806 name: Cosine Map@100 - type: dot_accuracy@1 value: 0.6174863387978142 name: Dot Accuracy@1 - type: dot_accuracy@3 value: 0.9077109896782027 name: Dot Accuracy@3 - type: dot_precision@1 value: 0.6174863387978142 name: Dot Precision@1 - type: dot_precision@3 value: 0.3035822707953855 name: Dot Precision@3 - type: dot_recall@1 value: 0.058461359189956645 name: Dot Recall@1 - type: dot_recall@3 value: 0.0871360845859935 name: Dot Recall@3 - type: dot_ndcg@10 value: 0.1836029943640663 name: Dot Ndcg@10 - type: dot_mrr@10 value: 0.7690208748951909 name: Dot Mrr@10 - type: dot_map@100 value: 0.07636564425734757 name: Dot Map@100 - type: cosine_accuracy@1 value: 0.6387370977534912 name: Cosine Accuracy@1 - type: cosine_accuracy@3 value: 0.9143897996357013 name: Cosine Accuracy@3 - type: cosine_precision@1 value: 0.6387370977534912 name: Cosine Precision@1 - type: cosine_precision@3 value: 0.30641570532280915 name: Cosine Precision@3 - type: cosine_recall@1 value: 0.060576622325256214 name: Cosine Recall@1 - type: cosine_recall@3 value: 0.08786713522596946 name: Cosine Recall@3 - type: cosine_ndcg@10 value: 0.1858853074512683 name: Cosine Ndcg@10 - type: cosine_mrr@10 value: 0.7825984714873584 name: Cosine Mrr@10 - type: cosine_map@100 value: 0.07818077180950797 name: Cosine Map@100 - type: dot_accuracy@1 value: 0.5865209471766849 name: Dot Accuracy@1 - type: dot_accuracy@3 value: 0.8973891924711597 name: Dot Accuracy@3 - type: dot_precision@1 value: 0.5865209471766849 name: Dot Precision@1 - type: dot_precision@3 value: 0.30054644808743175 name: Dot Precision@3 - type: dot_recall@1 value: 0.05554451620025391 name: Dot Recall@1 - type: dot_recall@3 value: 0.08624741648421065 name: Dot Recall@3 - type: dot_ndcg@10 value: 0.18048100103562123 name: Dot Ndcg@10 - type: dot_mrr@10 value: 0.751049286340724 name: Dot Mrr@10 - type: dot_map@100 value: 0.0751764626788709 name: Dot Map@100 --- # SentenceTransformer This is a [sentence-transformers](https://www.SBERT.net) model trained. 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 - **Maximum Sequence Length:** 128 tokens - **Output Dimensionality:** 768 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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (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: ```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("WpythonW/custom-paraphrase-v2") # Run inference sentences = [ 'я могу перевести во время отпуска по беременности?', 'Перевод возможен после окончания отпуска по беременности и родам.', 'Номер и срок действия доверенности можно выгрузить в Личном кабинете в блоке Профиль, Раздел «Доверенности».', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 768] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Evaluation ### Metrics #### Information Retrieval * Dataset: `single_answer_eval` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:-------------------|:-----------| | cosine_accuracy@1 | 0.6351 | | cosine_accuracy@3 | 0.9035 | | cosine_precision@1 | 0.6351 | | cosine_precision@3 | 0.3024 | | cosine_recall@1 | 0.0601 | | cosine_recall@3 | 0.0867 | | cosine_ndcg@10 | 0.1855 | | cosine_mrr@10 | 0.7783 | | **cosine_map@100** | **0.0772** | | dot_accuracy@1 | 0.6175 | | dot_accuracy@3 | 0.9077 | | dot_precision@1 | 0.6175 | | dot_precision@3 | 0.3036 | | dot_recall@1 | 0.0585 | | dot_recall@3 | 0.0871 | | dot_ndcg@10 | 0.1836 | | dot_mrr@10 | 0.769 | | dot_map@100 | 0.0764 | #### Information Retrieval * Dataset: `single_answer_eval` * Evaluated with [InformationRetrievalEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator) | Metric | Value | |:-------------------|:-----------| | cosine_accuracy@1 | 0.6387 | | cosine_accuracy@3 | 0.9144 | | cosine_precision@1 | 0.6387 | | cosine_precision@3 | 0.3064 | | cosine_recall@1 | 0.0606 | | cosine_recall@3 | 0.0879 | | cosine_ndcg@10 | 0.1859 | | cosine_mrr@10 | 0.7826 | | **cosine_map@100** | **0.0782** | | dot_accuracy@1 | 0.5865 | | dot_accuracy@3 | 0.8974 | | dot_precision@1 | 0.5865 | | dot_precision@3 | 0.3005 | | dot_recall@1 | 0.0555 | | dot_recall@3 | 0.0862 | | dot_ndcg@10 | 0.1805 | | dot_mrr@10 | 0.751 | | dot_map@100 | 0.0752 | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 35,680 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 1000 samples: | | anchor | positive | negative | |:--------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | | | | * Samples: | anchor | positive | negative | |:--------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | Можно ли выгрузить копию доверенности через SED? | Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности. | Для проведения отгула сотрудник обращается к непосредственному руководителю, чтобы он создал заявку в Личном кабинете по теме «Отмена/аннулирование мероприятия». После выполнения мероприятия необходимо создать заявку в Личном кабинете в разделе «Отпуска» (https://company-x5.ru/vacations/plan?vp_page=1 ), указав новый период отсутствия. | | Можно ли выгрузить копию доверенности через SED? | Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности. | В течение 5 рабочих дней работодатель предоставит ответ на извещение, после чего пособие будет выплачено. | | Можно ли выгрузить копию доверенности через SED? | Копию доверенности можно выгрузить через раздел Отчеты в SED. Также там можно посмотреть номер и срок действия доверенности. | Для оформления отпуска по уходу за ребенком (внучкой/внуком) сотруднику необходимо предоставить следующие документы: 1. Заявление на отпуск до 3 лет; 2. Заявление на пособие до 1,5 лет; 3. Копия св-ва о браке родителей; 4. Копии св-ва о рождении всех детей; 5. Документ, подтверждающий степень родства бабушки и внучки (св-во о рождении сына или дочери, в зависимости от того, чья мама родителей оформляет отпуск); 6. Справки от родителей: 1.1 Если работают: Справка с места работы отца и матери ребенка - в справке прописать корректно вид пособия и вид отпуска. (Пример оформления справки – «Выдана_____, в том, что работает с___по настоящее время в_____. Отпуск по уходу за ребенком (ФИО, дата рождения ребенка) не оформлял. Ежемесячное пособие по уходу за ребенком до 1,5 лет не назначалось и не выплачивалось. Если у ребенка возраст до 3 месяцев – дополнительно справку с места работы мамы с указанием периода нахождения в отпуске по беременности и родам. 1.2 Если родители не трудоустроены: 1. Копии ТК 2. Справка с Пенсионного фонда РФ о неполучении ежемесячного пособия по уходу за ребенком 3. Приложение к заявлению о назначении пособия до 1,5 лет. Заявку следует создать по процессу 1091 – Администрирование отпуска по уходу за ребенком. | * Loss: [TripletLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#tripletloss) with these parameters: ```json { "distance_metric": "TripletDistanceMetric.EUCLIDEAN", "triplet_margin": 5 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 32 - `num_train_epochs`: 10 - `load_best_model_at_end`: 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`: 32 - `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`: 5e-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`: 10 - `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`: 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} - `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
### Training Logs | Epoch | Step | Training Loss | single_answer_eval_cosine_map@100 | |:----------:|:--------:|:-------------:|:---------------------------------:| | 0.8961 | 500 | 0.0296 | 0.0824 | | 1.7921 | 1000 | 0.0188 | 0.0833 | | **2.6882** | **1500** | **0.0137** | **0.0804** | | 3.5842 | 2000 | 0.0127 | 0.0764 | | 4.4803 | 2500 | 0.0077 | 0.0772 | | 0.8961 | 500 | 0.0194 | 0.0773 | | 1.7921 | 1000 | 0.0202 | 0.0840 | | **2.6882** | **1500** | **0.0136** | **0.0797** | | 3.5842 | 2000 | 0.0132 | 0.0865 | | 4.4803 | 2500 | 0.0096 | 0.0782 | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.10.14 - Sentence Transformers: 3.0.1 - Transformers: 4.44.0 - PyTorch: 2.4.0 - Accelerate: 0.34.0 - 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", } ``` #### 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} } ```