davhin/parlbert-german-search-v0

SentenceTransformer based on chkla/parlbert-german-v1

This is a sentence-transformers model finetuned from chkla/parlbert-german-v1 on the parl-synthetic-queries-v2 dataset. 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: chkla/parlbert-german-v1
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • parl-synthetic-queries-v2

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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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("davhin/parlbert-german-search-v0")
# Run inference
sentences = [
    't wir hier im Bundestag sind. Es ist Zeit, umzudenken. Es ist Zeit, umzudenken für die Union. Meine Damen und Herren, glauben Sie bitte nicht diesen Geschichten, die Ihnen hier eben aufgetischt worden sind. Vielen Dank. ',
    'Kritik an der Union',
    'Wie wird im Bundestag über die Debatte zum Sozialsystem und der Zuwanderung diskutiert?',
]
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

Triplet

• Datasets: parlsearch-dev, parlsearch-test-before-training and parlsearch-test-after-training
• Evaluated with TripletEvaluator

Metric	parlsearch-dev	parlsearch-test-before-training	parlsearch-test-after-training
cosine_accuracy	0.642	0.6241	0.9822

Triplet

• Dataset: parlsearch-dev
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9856

Training Details

Training Dataset

parl-synthetic-queries-v2

• Dataset: parl-synthetic-queries-v2 at 0dd76c6
• Size: 6,659 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 149.07 tokens max: 241 tokens	min: 4 tokens mean: 10.6 tokens max: 28 tokens	min: 4 tokens mean: 10.38 tokens max: 24 tokens

• Samples:

  anchor	positive	negative
  t steigen, und das Handwerk müsste die Anzahl der Beschäftigten verdoppeln. Betrachtet man zudem den europäischen Gebäudebereich – ich habe es gesagt – und das Ziel der einheitlichen Maßstäbe, zeigt sich in Europa ein sehr uneinheitliches Bild. Die Effizienzklassen in Europa sind nicht vergleichbar. Gebäude in den Niederlanden mit der Energieeffizienzklasse C entsprechen in Deutschland der Klasse G. So entsteht der Eindruck, dass die Gebäude in Deutschland schlechtgerechnet werden. Wenn man sich das auf dem Papier anschaut, stellt man fest: Der Gebäudebestand in Deutschland ist deutlich besser als in vielen anderen Mitgliedstaaten. Und was macht unser zuständiger Minister Habeck? Er setzt sich von Beginn an im Rat dafür ein, schärfere Vorgaben, als von der Kommission empfohlen, durchzudrücken. Bis zum Wohngipfel war die Position der Regierung, hier mehr zu erzwingen. Dass der Sanierungszwang jetzt vom Tisch ist, ist gut. Aber er wurde bis vor Kurzem von den Grünen gefördert und geforde...	Habeck Gebäudepolitik	Kosten für Pendler in Kiel
  Vielen Dank. – Frau Präsidentin! Meine sehr verehrten Damen und Herren! Im Frühjahr 2006 reiste Daniel Loy nach Berlin. Er nimmt an einer Veranstaltung der Studienstiftung des deutschen Volkes teil und infiziert sich dort mit dem Epstein-Barr-Virus. Nach seiner Reise wird nichts mehr so sein, wie es einmal war. Jahrelang ist er krank, und trotz zahlreicher Arztbesuche weiß keiner, was ihm fehlt. Sein Zustand verschlechtert sich drastisch. Zwölf Jahre später erhält er die Diagnose ME/CFS, Chronisches Fatigue-Syndrom. „Seitdem habe ich fast alles verloren, was mein Leben zuvor ausgemacht hat“, erzählte uns Daniel Loy im Petitionsausschuss im Februar letzten Jahres. ME/CFS ist eine schwere chronische Krankheit, die meist durch eine Virusinfektion ausgelöst wird und zu extremer Erschöpfung und ständigen Schmerzen führt. Vielen Ärzten und Pflegekräften ist das Krankheitsbild bis heute kaum ein Begriff. Es mangelt an Forschung und Aufklärung, und infolgedessen wird die Krankheit oft nicht e...	Forschung zu ME/CFS Bundestag	Denkverbote bei Nachhaltigkeit
  Frau Präsidentin! Liebe Kolleginnen und Kollegen! Minister Habeck hat in seiner Rede ausgeführt, dass mit der vorgelegten Strategie der Zug der Wasserstofftechnologie den Bahnhof verlassen hätte. Das mag sein. Da hat die Vorgängerregierung durchaus einiges ganz gut auf den Weg gebracht. Aber wir müssen jetzt schon aufpassen, dass sich der Zug auf dem Weg nicht verfährt. Ich glaube, wir sind uns einig, dass der Wasserstoff für viele Bereiche die Zukunft ist. Wasserstoff soll Deutschland klimafreundlicher und unabhängiger von fossilen Brennstoffen machen. Aber: Das geht eben nicht ohne gemeinsame Anstrengungen. Da sind natürlich die Wirtschaft, die Verbraucher genauso wie Forschung und Entwicklung gefragt. Aber die Weichen für den Zug müssen wir als politisch Verantwortliche schon selbst stellen. Als Union sehen wir da ganz klare Prioritäten. Wir wollen, dass der Wasserstoffhochlauf pragmatisch, schnell, technologieoffen und für den Anfang auch bunt sein soll. Wir müssen die Transportne...	Wasserstoff als Alternative zu fossilen Brennstoffen	Was wurde in der Bundestag-Debatte über die AfD gesagt?

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

parl-synthetic-queries-v2

• Dataset: parl-synthetic-queries-v2 at 0dd76c6
• Size: 6,659 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 148.42 tokens max: 241 tokens	min: 3 tokens mean: 10.71 tokens max: 27 tokens	min: 3 tokens mean: 10.48 tokens max: 29 tokens

• Samples:

  anchor	positive	negative
  Weil wir jetzt so viel über den Odenwald gehört haben, reizt es mich doch, zu sagen: Das Wort hat für Bündnis 90/Die Grünen der Kollege Stefan Gelbhaar aus Berlin-Pankow.	Wer sprach im Bundestag über den Odenwald?	Ist eine Erbschaftssteuer mit Leistungsgerechtigkeit vereinbar?
  Für die AfD-Fraktion hat nun der Abgeordnete Joachim Wundrak das Wort.	Aktuelle Rede im Bundestag	Wer hält die Rede?
  t es Gerechtigkeitslücken, von denen insbesondere selbstständige Frauen und Gründerinnen betroffen sind. Noch immer haben sie keinen Anspruch auf Leistungen nach dem Mutterschutzgesetz, sondern müssen sich freiwillig gegen Einkommensausfälle absichern. Diese freiwilligen Möglichkeiten sind allerdings kompliziert, weitgehend unbekannt und unzureichend. Sie unterscheiden sich, je nachdem, ob man privat oder freiwillig gesetzlich versichert ist. Und jede Zusatzversicherung kostet Betroffene Geld. Hier sind Frauen noch einmal mehr belastet als männliche Kollegen, die schlicht und ergreifend gar nicht vor dieser Herausforderung stehen. Das ist ein Zustand, der so nicht bleiben darf. Eine Mutter ist eine Mutter und gehört geschützt, egal für wen oder wo sie arbeitet. Gerade in Zeiten wirtschaftlicher Herausforderungen müssen wir Frauen unterstützen, den Schritt in die Selbstständigkeit und Unternehmensgründung zu wagen. Eine Schwangerschaft sollte dabei nie ein Hindernis sein. Deshalb brauch...	Rechte von selbstständigen Frauen	Welche Verbesserungsvorschläge wurden im Kontext des Völkerstrafrechts gemacht?

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• learning_rate: 2e-05
• num_train_epochs: 1
• warmup_ratio: 0.1
• use_mps_device: True
• bf16: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• 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: 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: 1
• 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: True
• seed: 42
• data_seed: None
• jit_mode_eval: False
• use_ipex: False
• bf16: True
• 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: None
• 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

Training Logs

Epoch	Step	Training Loss	Validation Loss	parlsearch-dev_cosine_accuracy	parlsearch-test-before-training_cosine_accuracy	parlsearch-test-after-training_cosine_accuracy
-1	-1	-	-	0.6120	0.6241	-
0.3195	100	1.8343	0.8828	0.9796	-	-
0.6390	200	0.8386	0.7182	0.9814	-	-
0.9585	300	0.8129	0.6614	0.9856	-	-
-1	-1	-	-	-	-	0.9822

Framework Versions

• Python: 3.12.8
• Sentence Transformers: 3.4.0
• Transformers: 4.48.1
• PyTorch: 2.5.1
• Accelerate: 1.3.0
• Datasets: 3.2.0
• Tokenizers: 0.21.0

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",
}

MultipleNegativesRankingLoss

@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}
}