metadata
base_model: google-bert/bert-base-multilingual-cased
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1890
- loss:MultipleNegativesRankingLoss
widget:
- source_sentence: >-
32์ธ ์ฌ์๊ฐ ๋ชฉ์ ๋งค๋ค๊ฐ ๊ฐ์กฑ์๊ฒ ๋ฐ๊ฒฌ๋์ด ๋ณ์์ ์๋ค. ์์ 16์ฃผ์์ผ๋ฉฐ 1๊ฐ์ ์ ๋ถํฐ ์์ฌ๋ฅผ ํ์ง ์๊ณ ๋์๋ง ์ง๋๋ค๊ณ ํ๋ค.
๊ธฐ๋ถ์ด ์ฐ์ธํ๊ณ ์๋ฌด๊ฒ๋ ํ๊ธฐ๊ฐ ์ซ๋ค๊ณ ํ๋ค. ์์ด๋ฅผ ์ ํค์ธ ์์ ๋ ์๊ณ ์ด๊ณ ์ถ์ง ์์ผ๋ ์ฃฝ๊ฒ ๋ด๋ฒ๋ ค ๋๋ผ๊ณ ํ๋ค. ์น๋ฃ๋?
sentences:
- ์ ๊ธฐ๊ฒฝ๋ จ์๋ฒ
- ํญ์๊ณ ์
- ๊ด์ฐฎ๋ค๊ณ ์์ฌ์ํด
- source_sentence: >-
59์ธ ์ฌ์๊ฐ ์ง๋ถ๋น๋ฌผ์ด ์๊ณ ์ธ์๋ถ๊ฐ ๊ฑด์กฐํ๊ณ ๋ฐ๊ฐ์ ๋ณ์์ ์๋ค. ๋ณด์ต์ ๋ฅผ ์ฌ์ฉํ์ฌ๋ ์ฆ์์ด ์ง์๋์๋ค. 40์ธ์ ์๊ถ๊ทผ์ข
์ผ๋ก
์๊ถ์ ์ ์ ์ ๋ฐ์๊ณ ์ผ์ชฝ ๋ค๋ฆฌ์ ๊น์์ ๋งฅํ์ ์ฆ์ผ๋ก ์ฝ๋ฌผ์ ๋ณต์ฉ ์ค์ด๋ค. ์๋ฉดํ์กฐ์ ๋ถ๋ฉด์ฆ์ด 50๋ ์ด๋ฐ์ ์์๋ค๊ฐ ํ์ฌ๋ ์๊ณ
์ฑ๊ตํต์ด ์๋ค. ๊ณจ๋ฐ๊ฒ์ฌ์์ ์ธ์๋ถ ์์ถ์ด ๊ด์ฐฐ๋์๊ณ ์ง๋ถ๋น๋ฌผ์ ์ ์ํด๋ฐ๋ฅธํ๋ณธ๊ฒ์ฌ์์๋ ์ด์์ด ์๋ค. ์ฒ์น๋?
sentences:
- ์์ํ๋ถ๊ธฐ๋ฅ์ด์
- ๊ฒฝ์ง ์์คํธ๋ก๊ฒ
- ๋ฉดํ ์ทจ์์ผ๋ถํฐ 3๋
๊ฒฝ๊ณผ
- source_sentence: >-
15์ธ ์ฌ์๊ฐ 5์ผ ์ ๋ถํฐ ์ด์ด ๋๊ณ ์คํ์ด ๋ ๋ค๋ฉฐ ๋ณ์์ ์๋ค. ์์์ ์ผํฌ ๋ ๋ชฉ์ด ์ํ๋ค๊ณ ํ๋ค. ํ์ 100/60 mmHg,
๋งฅ๋ฐ 75ํ/๋ถ, ํธํก 18ํ/๋ถ, ์ฒด์จ 38.0โ์ด๋ค. ๋ชฉ์ ์์ชฝ ์ฌ๋ฌ ๊ตฐ๋ฐ์์ 1 cm ์ดํ ํฌ๊ธฐ์ ๋ฆผํ์ ์ด ๋ง์ ธ์ง๋ค. ๋ฆผํ์ ์
์ํต์ด ์์ผ๋ ์ฃผ์ ์กฐ์ง์ ๊ณ ์ ๋์ด ์์ง ์๋ค. ๋ชธ์์ ๋ฐ์ง์ ๋ณด์ด์ง ์๋๋ค. ํ์ก๊ฒ์ฌ ๊ฒฐ๊ณผ๋ ๋ค์๊ณผ ๊ฐ๋ค. ๋ค์ ๊ฒ์ฌ๋?๋ฐฑํ๊ตฌ
13,780/mm^3 (์ค์ฑ๊ตฌ 25%, ๋ฆผํ๊ตฌ 64%) ํ์์ 13.3 g/dL, ํ์ํ 209,000/mm^3 ํ์ก์์์ง์ 7
mg/dL, ํฌ๋ ์ํฐ๋ 0.5 mg/dL, ์์คํ๋ฅดํ
์ดํธ์๋ฏธ๋
ธ์ ๋ฌํจ์ 266 U/L ์๋ผ๋์๋ฏธ๋
ธ์ ๋ฌํจ์ 298 U/L ์ด๋น๋ฆฌ๋ฃจ๋น
0.7 mg/dL, ์์นผ๋ฆฌ์ธ์ฐ๋ถํดํจ์ 146 U/L (์ฐธ๊ณ ์น, 33๏ฝ96) C-๋ฐ์๋จ๋ฐฑ์ง 13 mg/L (์ฐธ๊ณ ์น, <10)
sentences:
- ํ์ฒญ ๋ฐ์ด๋ฌ์ค์บก์๋ํญ์(VCA) IgM ํญ์ฒด
- ์ธก์ ๋ฐ์ด์ด์ค
- ๋ ํธ๋ ์
- source_sentence: >-
์์ ๋์ด 27์ฃผ, ์ถ์์ฒด์ค 750 g์ผ๋ก ํ์ด๋ ์ ์์๊ฐ ์ํ 5์ผ์งธ ๊ฐ์๊ธฐ ์ฒญ์์ฆ์ด ๋ฐ์ํ์๋ค. ์ถ์ ์งํ ํํ๋ฉดํ์ฑ์ ๋ฅผ
ํฌ์ฌ๋ฐ์๊ณ , ์ดํ ๊ธฐ๊ณํ๊ธฐ์น๋ฃ ์ค์ด๋ค. ์ฌ๋ฐ 170ํ/๋ถ, ํธํก 80ํ/๋ถ, ๊ฒฝํผ์ฐ์ํฌํ๋๋ ์ค๋ฅธ์๊ณผ ์ผ๋ฐ์์ ๋ชจ๋ 60% ์ด๋ค.
์๊ฐ์ด์ด ํฝ์ฐฝ๋๊ณ , ์ค๋ฅธ์ชฝ ๊ฐ์ด ์ฒญ์ง์์ ํธํก์์ด ์ ๋ค๋ฆฌ์ง ์๋๋ค. ๊ฒ์ฌ๋?
sentences:
- ์์ฒญ์ ์ํจ
- ๋น์ ํ์ ์์ ๋๋ฐ ์ฃผ์์ฐ์ธ์ฅ์
- ๊ฐ์ด X์ ์ฌ์ง
- source_sentence: >-
58์ธ ๋จ์๊ฐ 7์๊ฐ ์ ๋ถํฐ ์๋ฐฐ๊ฐ ์ํ์ ๋ณ์์ ์๋ค. ํ์์ ์์ฝ์ฌ๊ฐ๊ฒฝํ๋ก ์น๋ฃ๋ฅผ ๋ฐ๊ณ ์์ผ๋ฉฐ ์ํ๊ถค์์ ์ํ ์ฒ๊ณต์ผ๋ก ์์ ์
๋ฐ์ ์์ ์ด๋ค. ํ์ 130/90 mmHg, ๋งฅ๋ฐ 95ํ/๋ถ, ํธํก 22ํ/๋ถ, ์ฒด์จ 37.5โ์ด๋ค. ๋ฐฐ ์ ์ฒด๊ฐ ๋ฑ๋ฑํ๊ณ ๋ฐฐ์ ์ํต๊ณผ
๋ฐ๋์ํต์ด ์๋ค. ํ์ก๊ฒ์ฌ ๊ฒฐ๊ณผ๋ ๋ค์๊ณผ ๊ฐ๋ค. ์์ ์ ํฌ์ฌํด์ผ ํ ์ ์ ๋?ํ์์ 10.3 g/dL, ๋ฐฑํ๊ตฌ 22,000/mm^3,
ํ์ํ 120,000/mm^3 ํ๋กํธ๋กฌ๋น์๊ฐ 20์ด(์ฐธ๊ณ ์น, 12.7๏ฝ15.4) ํ์ฑํ๋ถ๋ถํธ๋กฌ๋ณดํ๋ผ์คํด์๊ฐ 30์ด(์ฐธ๊ณ ์น,
26.3๏ฝ39.4) ์ด๋จ๋ฐฑ์ง 6.5 g/dL, ์๋ถ๋ฏผ 3.0 g/dL,์ด๋น๋ฆฌ๋ฃจ๋น 3.5 mg/dL,
sentences:
- โ์ ํ ๊ฐ๋ฅ์ฑ์ด ์ด๋ ๊ฒ ๋์๋ฐ๋ ๋ค๋ฅธ ์ฌ๋์๊ฒ ์ ํ๋ฅผ ๋งค๊ฐํ๋ ํ์๋ฅผ ํ๋ฉด ํ์ฌ์ฒ๋ฒ์ ๋ฐ์ ์๋ ์์ต๋๋ค.โ
- ์ ์ ๋๊ฒฐํ์ฅ
- ๋ฉดํ์๊ฒฉ ์ ์ง
SentenceTransformer based on google-bert/bert-base-multilingual-cased
This is a sentence-transformers model finetuned from google-bert/bert-base-multilingual-cased. 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: google-bert/bert-base-multilingual-cased
- Maximum Sequence Length: 512 tokens
- Output Dimensionality: 768 tokens
- 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': 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 ๐ค Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
'58์ธ ๋จ์๊ฐ 7์๊ฐ ์ ๋ถํฐ ์๋ฐฐ๊ฐ ์ํ์ ๋ณ์์ ์๋ค. ํ์์ ์์ฝ์ฌ๊ฐ๊ฒฝํ๋ก ์น๋ฃ๋ฅผ ๋ฐ๊ณ ์์ผ๋ฉฐ ์ํ๊ถค์์ ์ํ ์ฒ๊ณต์ผ๋ก ์์ ์ ๋ฐ์ ์์ ์ด๋ค. ํ์ 130/90 mmHg, ๋งฅ๋ฐ 95ํ/๋ถ, ํธํก 22ํ/๋ถ, ์ฒด์จ 37.5โ์ด๋ค. ๋ฐฐ ์ ์ฒด๊ฐ ๋ฑ๋ฑํ๊ณ ๋ฐฐ์ ์ํต๊ณผ ๋ฐ๋์ํต์ด ์๋ค. ํ์ก๊ฒ์ฌ ๊ฒฐ๊ณผ๋ ๋ค์๊ณผ ๊ฐ๋ค. ์์ ์ ํฌ์ฌํด์ผ ํ ์ ์ ๋?ํ์์ 10.3 g/dL, ๋ฐฑํ๊ตฌ 22,000/mm^3, ํ์ํ 120,000/mm^3 ํ๋กํธ๋กฌ๋น์๊ฐ 20์ด(์ฐธ๊ณ ์น, 12.7๏ฝ15.4) ํ์ฑํ๋ถ๋ถํธ๋กฌ๋ณดํ๋ผ์คํด์๊ฐ 30์ด(์ฐธ๊ณ ์น, 26.3๏ฝ39.4) ์ด๋จ๋ฐฑ์ง 6.5 g/dL, ์๋ถ๋ฏผ 3.0 g/dL,์ด๋น๋ฆฌ๋ฃจ๋น 3.5 mg/dL, ',
'์ ์ ๋๊ฒฐํ์ฅ',
'๋ฉดํ์๊ฒฉ ์ ์ง',
]
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]
Training Details
Training Dataset
Unnamed Dataset
- Size: 1,890 training samples
- Columns:
query
andanswer
- Approximate statistics based on the first 1000 samples:
query answer type string string details - min: 11 tokens
- mean: 112.75 tokens
- max: 316 tokens
- min: 3 tokens
- mean: 8.62 tokens
- max: 33 tokens
- Samples:
query answer ํญ๋ฌธ์ ์ธก์ ๊ฒ์ฌ์์ ํญ๋ฌธ ์๋ ฅ์ด ์ฆ๊ฐํ๋ ๊ฒฝ์ฐ๋?
ํญ๋ฌธ์ด์ฐฝ(anal fissure)
๋ณต๋ถ๋๋๋งฅ(abdominal aorta) ์์ ์ฒ์ ๋ถ์ง(first branch) ๋๋ ๋๋งฅ์?
๋์๋ก์ฐฝ์๋๋งฅ(ileocolic artery)
58์ธ ๋จ์๊ฐ ๋๋ ์ฅ์ ์ ํ ์งง์์ฐฝ์์ฆํ๊ตฐ(short bowel syndrome) ์ผ๋ก 4๊ฐ์ ๊ฐ ์์ ๋น๊ฒฝ๊ตฌ
์์์๋ฒ์ ๋ฐ๊ณ ์๋ ์ค์ด๋ค. ์ฑํ ํ ํผ๊ฐ ์ ๋ฉ์ง ์์๋ค. ํ์ก๊ฒ์ฌ ๊ฒฐ๊ณผ๋ ๋ค์๊ณผ ๊ฐ๋ค.
๊ฒฐํ์ด ์์ฌ๋๋ ๊ฒ์?
ํ์์ 13.5 g/dL, ๋ฐฑํ๊ตฌ 4,500/mm^3, ํ์ํ 220,000/mm^3
์๋ถ๋ฏผ 3.7 g/dL, ์ด ๋น๋ฆฌ๋ฃจ๋น 1.0 mg/dL, ์์นผ๋ฆฌ ์ธ์ฐ๋ถํดํจ์(ALP) 90 U/L,
์์คํ๋ฅดํ ์ดํธ ์๋ฏธ๋ ธ์ ๋ฌํจ์(AST) 22 U/L, ์๋ผ๋ ์๋ฏธ๋ ธ์ ๋ฌํจ์(ALT) 16 U/L,
ํ๋กํธ๋กฌ๋น์๊ฐ 30.5์ด (์ฐธ๊ณ ์น, 12.715.4),39.4)
ํ์ฑํ๋ถ๋ถํธ๋กฌ๋ณดํ๋ผ์คํด์๊ฐ 34.5์ด (์ฐธ๊ณ ์น, 26.3ํธ๋กฌ๋น
- Loss:
MultipleNegativesRankingLoss
with these parameters:{ "scale": 20.0, "similarity_fct": "cos_sim" }
Evaluation Dataset
Unnamed Dataset
- Size: 164 evaluation samples
- Columns:
query
andanswer
- Approximate statistics based on the first 1000 samples:
query answer type string string details - min: 18 tokens
- mean: 153.24 tokens
- max: 369 tokens
- min: 3 tokens
- mean: 9.71 tokens
- max: 40 tokens
- Samples:
query answer ๊ด์ญ์ ์์ฌ ๋ํ๋ณ์์ ์์๋ ๋ด๊ณผ ์ ๋ฌธ์ A๊ฐ ์ฝ๋ ๋ผ ํ์๋ฅผ ์ง๋จํ๋ค. A๊ฐ ํ ์กฐ์น๋?
๋ณ์์ฅ์๊ฒ ๋ณด๊ณ
A๋ ์ 1๊ธ ๊ฐ์ผ๋ณ์ผ๋ก ์ง๋จ์ ๋ฐ์๋ค. B๋ ๋ง์คํฌ๋ฅผ ์ฐฉ์ฉํ์ง ์์ ์ฑ A์ ๋ฐ์ ํ๊ฒ ์ ์ดํ๋ค. B๋ ์ฆ์์ด ์๋ค. ์ญํ์กฐ์ฌ๊ด์ ์ด ๋จ๊ณ์์ B๋ฅผ ๋ฌด์์ผ๋ก ๋ถ๋ฅํ๋๊ฐ?
๊ฐ์ผ๋ณ ์์ฌ์
๊ฒ์ญ์ ๋ด ๊ฒฉ๋ฆฌ๋ณ๋์ ๊ฒฉ๋ฆฌ๋์ด ์๋ ์ฝ๋ ๋ผ ํ์ A์ ๊ฐ์ผ๋ ฅ์ด ์์ด์ง ๊ฒ์ด ํ์ธ๋์๋ค. A์ ๋ํ ์กฐ์น๋?
๊ฒฉ๋ฆฌ ํด์
- Loss:
MultipleNegativesRankingLoss
with these parameters:{ "scale": 20.0, "similarity_fct": "cos_sim" }
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy
: epochper_device_eval_batch_size
: 16learning_rate
: 3e-05warmup_ratio
: 0.1fp16
: Trueload_best_model_at_end
: Trueddp_find_unused_parameters
: False
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: epochprediction_loss_only
: Trueper_device_train_batch_size
: 8per_device_eval_batch_size
: 16per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonelearning_rate
: 3e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 3max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.1warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Truefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Trueignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Falseddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseeval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falsebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: proportional
Training Logs
Epoch | Step | Training Loss | loss |
---|---|---|---|
0.1055 | 25 | 2.4397 | - |
0.2110 | 50 | 1.986 | - |
0.3165 | 75 | 1.881 | - |
0.4219 | 100 | 1.8105 | - |
0.5274 | 125 | 1.7378 | - |
0.6329 | 150 | 1.5942 | - |
0.7384 | 175 | 1.4586 | - |
0.8439 | 200 | 1.3904 | - |
0.9494 | 225 | 1.4707 | - |
1.0 | 237 | - | 1.3109 |
1.0549 | 250 | 1.234 | - |
1.1603 | 275 | 1.1867 | - |
1.2658 | 300 | 1.0103 | - |
1.3713 | 325 | 1.088 | - |
1.4768 | 350 | 1.1066 | - |
1.5823 | 375 | 1.049 | - |
1.6878 | 400 | 1.0639 | - |
1.7932 | 425 | 1.1133 | - |
1.8987 | 450 | 0.9188 | - |
2.0 | 474 | - | 1.0434 |
Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.0.1
- Transformers: 4.42.2
- PyTorch: 2.3.0
- Accelerate: 0.31.0
- Datasets: 2.19.1
- Tokenizers: 0.19.1
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}
}