myrkur/sentence-transformer-parsbert-fa-2.0

SentenceTransformer based on myrkur/sentence-transformer-parsbert-fa

This is a sentence-transformers model finetuned from myrkur/sentence-transformer-parsbert-fa. 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: myrkur/sentence-transformer-parsbert-fa
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity
• Training Dataset: myrkur/persian-blog-QA
• Language: Persian(Farsi)

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, util

# Download from the 🤗 Hub
model = SentenceTransformer("myrkur/sentence-transformer-parsbert-fa-2.0")
# Run inference
sentences = [
    'وظایف معلمان چیست؟',
    'معلمان برای بهانجامرساندن وظایفشان نیازمند آموختن مهارتهای پیشرفتهی مدیریت زمان در کلاس درس هستند آنها باید میان دنبالکردن هدفهای بلندمدت کلاس درس پاسخگویی به نیازهای آموزشی آنی دانشآموزان و ارزیابی حجم زیادی از تکالیف و امتحانات تعادل برقرار کنند درست است که وظایف کاری معلمان در ساعات کاری زیادازحد بهنظر میرسد اما مدیریت شرایط و خالیکردن وقت در کلاس درس و خارج از آن باز هم امکانپذیر است با دراختیارداشتن مهارت کارآمد مدیریت زمان در کلاس درس معلمان میتوانند بازدهی خود را افزایش دهند و فراگیرانشان را بهتر از گذشته آموزش دهند حتما بخوانید تقویت اعتماد به نفس در دانش آموزان با نکته برای معلمان راهکار ساده برای مدیریت زمان از زبان یکی از مدیران گوگلموانع مدیریت زمان چیست مهارتهای مدیریت زمان در کلاس درس با اولویتبندی روزتان را سروسامان بدهید مدیریت زمان در کلاس درس برای معلم با تعیین اولویتها و ساماندادن برنامه حول مهمترین وظایف آغاز میشود تعیین اولویتها معلمان را طی روز در مسیری که باید نگه میدارد حتی وقتی اتفاقات غیرمنتظره یا فشار کاری بهنظر زیاد باشد اولویتبندی کارآمد یعنی ترتیبدادن به حجم کار براساس اهمیت هریک از وظایف و همچنین نتایجی که از تکمیل آنها حاصل میشود معلمان باید بتوانند ارزیابی کنند که آیا معوقگذاشتن برخی پروژهها به این دلیل که نتیجهی آنها بهاندازهی دیگر پروژهها اثربخش نیست منطقی است یا نه اولویتها را نباید مانند این جمله بهطور مطلق طراحی کرد ریاضی و زبان در ساعات اول و اگر زمان اجازه داد انجام کارهای هنری این شیوهی تفکر ممکن است به فرسایش همزمان معلم و دانشآموزان منجر شود در زمینهای بخصوص ممکن است فعالیت هنری یا خارج از کلاس درس بهاندازهی برنامههای کلاسی درسمحور انگیزاننده باشد حتما بخوانید تکنیک پومودورو تکنیکی ساده برای مدیریت زمان تکالیف خانه را با برنامهریزیهای راهبردی طرح کنید هم معلمان و هم دانشآموزان ممکن است متوجه شده باشند که برخی تکالیف که به تمرینهای مکرر نیاز دارند برای محیط منزل مناسبترند تمرین در کلاس بهویژه در زمان یادگیری چهارچوبها و ساختارهای حل مسیله کمککننده است اما صرف زمان برای انجام تمرینهای مکرر در کلاس ممکن است بهترین استفاده از زمان نباشد تکالیفی که در آن صرفا از دانشآموز میخواهند تعداد مشخصی مسیله را بهعنوان تمرین درس ارایهشده حل کنند زمان ارزشمند کلاس را هدر میدهد از تلنبارشدن کارهای عقبافتاده خودداری کنید معمولا خود معلمان متوجه میشوند که در نمرهگذاری تکالیف و امتحانات تقسیم برگهها به گروههای کوچک و انجام کارهای مربوط به آنها ظرف چند روز روش کارآمدتری است تا بررسی یکبارهی کار تمام کلاس در یک روز از تلنبارکردن وظایف ارزیابی خودداری کنید و سعی کنید هربار بخشی از آن را انجام دهید هر روز میتوان بررسی مقدار کوچکی از موارد ارزیابی را بهسادگی مدیریت کرد این روش به معلم اجازه میدهد ارزیابی را بهدرستی انجام دهد و بازخورد مناسبی به دانشآموزان بدهد با تکمیل هریک از بخشهای ارزیابی معلم احساس موفقیت میکند حتما بخوانید نکته درباره مدیریت زمان که در جوانی باید بدانید برای بحرانهای احتمالی برنامهریزی کنید بهتر است پیش از بروز مشکل در کلاس برای آن برنامه داشته باشید چراکه بحرانهای ناگهانی ممکن است معلمان را از اهداف کلاسیشان منحرف کنند گرچه درمورد بعضی اتفاقات مانند بلایای طبیعی اختیارات کمتری وجود دارد معلمان میتوانند برحسب نیاز دانشآموزان برای این موارد هم برنامهای طراحی کنند اما در گام نخست بهتر است مانع بحرانهایی شوید که مربوط به رفتار دانشآموزان است اگر ممکن است قبل از اینکه این مسایل جدی شوند کنترلشان کنید تا از هدررفتن وقت کلاس جلوگیری شود یادگیری دربارهی دانشآموزان پیش از آنکه وارد کلاس درس شوند به معلم امکان میدهد برنامهی عملیاتی پیشگیرانه طراحی کند و از این راه مانع اتفاقات ناخواسته شود و موجبات حواسپرتی را متوقف کند برای خودتان زمانی کنار بگذارید معلمها وظایف فراوانی دارند که نیازمند توجه است و اغلب مربوط به نیازهای دانشآموزان و والدین آنهاست صرف وقت بیشتر برای ارزیابی بازخورددادن و مدیریت نیازهای دانشآموزان وسوسهانگیز است اما فراموش نکنید کنارگذاشتن زمانی برای خود نیز اهمیت دارد این کار باعث میشود اولویتها سر جای خودشان قرار بگیرند اولویتبندی زمان بهنحویکه برای نیازهای خودتان هم وقتی باقی بماند برای طرحریزی و اجرای کارآمد برنامههای آموزش کلاستان ضروری است زمانی که معلمان بهخاطر رسیدگینکردن به خود و فقدان زمان فرسوده میشوند این احتمال وجود دارد که کلاس درس کارایی و بازدهی کمتری پیدا کند اجرای برنامههای مدیریت زمان در کلاس درس تنها زمانی امکانپذیر است که معلم کلاس پرانرژی سالم و سرحال باشد برای مدیریت زمان در کلاس درس بهشیوهای درست معلمان باید برای رسیدن به اهدافشان فرایندی را ترتیب دهند که فضای کارآمدی را در کلاس ایجاد کند با کاربرد استراتژیهای مدیریت زمان میتوان به نیازهای آموزشی هر دانشآموز رسیدگی کرد پیشامدهای اتفاقی را مدیریت کرد و از عقبافتادگی هنگام مواجهه با رخدادهای ناگهانی نیز جلوگیری کرد مدیریت زمان در کلاس درس قسمت بااهمیتی از فراهمآوری آموزش باکیفیت و پاسخگویی به نیازهای تکتک دانشآموزان بهحساب میآید کتاب الکترونیکی قیمت نسخه انگلیسی در سایت آمازون دلار قالب فایل تعداد صفحه ناشر تعداد فایل فایل مدیریت زمان به روش اساتید هاروارد اولویتبندی کارها را بیاموزید تا در زمان کمتر بهینهتر کار کنید تومان تومان مشاهده کتاب الکترونیکی',
    'هیپنوتیزم با تخیلات فروید در یک ماجراجویی سال 2021 رو با یکی از سریال\u200cهای جدید شبکه نتفلیکس تحت عنوان "فروید" ( Freud ) شروع کردم سریالی هیجانی، پر از رمز و راز و اندکی تخیلی که زیگموند فروید، روانپزشک معروف رو در یک پیچ و تاب داستانی قرار می\u200cده. اول از همه این موضوع رو بگم که این سریال نه بیوگرافی از فروید هست و نه قراره خیلی تو بطن شخصیت و کارکتر این روانپزشک و عصب\u200cشناس با ایده\u200cهای مختلفش بره. صرفا کارگردان و فیلمنامه نویس\u200cهای این سریال سعی کردن تا یه مقدار با شخصیتش بازی کنن و اونو داخل یک داستان با قتل، خون، هیپنوتیزم و خیلی چیزهای عجیب و غریب قرار بدن',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = util.cos_sim(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

• Size: 48,000 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 5 tokens mean: 9.99 tokens max: 58 tokens	min: 14 tokens mean: 144.01 tokens max: 512 tokens

• Samples:

  anchor	positive
  پادکست های پیشرفت معنوی مدتی پیش درباره چه موضوعی است؟	جلسه اول پادکست هایی با موضوع پیشرفت معنویمدتی پیش ، از یکی از اساتید ایران درخواست کردم پادکست هایی را در خصوص پیشرفت معنوی برای ما که از کشور فاصله دوری داریم ضبط کنند و بفرستند. به ذهنم رسید که این پادکست‌ها را با شما هم به اشتراک بگذارم تا شاید در این روزها که همه در خانه‌ها هستند و فرصت‌های بیشتری دارند کسی از آنها بهره‌ای ببرد.یک کانال اختصاصی برای این پادکست‌ها ایجاد کردم و بقیه قسمت‌ها را هم به آن اضافه خواهم کرد. اگر برایتان قابل استفاده بود می‌توانید به دوستانتان هم پیشنهاد کنید
  هنرهای رزمی چیست؟	هنرهای رزمی به سیستم‌ها و سنت‌های مدونی از تکنیک‌ها و فنون مبارزه‌ای گفته می‌شود که با انگیزه‌ها و دلایل متفاوتی تمرین می‌شوند برای دفاع شخصی، رقابت در مسابقات، سلامتی بدنی و تناسب اندام، سرگرمی و تفریح و همچنین رشد و تعالی روحی، جسمی و معنوی. از پرکاربردترین سبک‌های رزمی می‌توان به ساندا، جوجیتسو برزیلی، هاپکیدو، کیوکوشین ، انشین (از سبک‌های کاراته) و جودو نام برد. اصطلاح هنرهای رزمی بیشتر به رشته‌های رزمی شرق آسیا مانند ووشو، کاراته، تکواندو اشاره دارد، اما رشته‌های غربی همچون بوکس، ساواته، پانکریشن و انواع کشتی نیز در مجموعه هنرهای رزمی قرار داده می‌شوند
  آیا توکیو به عنوان بهشتی برای عاشقان مناسب است؟	علاوه بر این توکیو می‌تواند به عنوان بهشتی برای عاشقان باشد. آنتونی بوردین ( Anthony Bourdain ) گردشگری که در طول سال‌ها به دور دنیا سفر کرده است بارها از توکیو به عنوان یکی از شهرهای مورد علاقه خود یاد کرده است.همچنین بر طبق بررسی‌های انجام شده در یک گزارش اقتصادی، توکیو به عنوان یکی از شهرهای امن دنیا در سال 2017 معرفی شده است. در این لیست پس از شهرهای در و ژاپن قرار دارد.در حالت کلی لیست بهترین شهرهای دنیا بیشتر در حوزه قرار دارد در حالی که در این لیست غایب است و تنها در آمریکای شمالی در رتبه 8 ام قرار دارد.ترتیب بهترین شهرها در این نظر سنجی: 1

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 12,000 evaluation samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 4 tokens mean: 9.69 tokens max: 52 tokens	min: 19 tokens mean: 142.39 tokens max: 512 tokens

• Samples:

  anchor	positive
  آیا تب تعطیلات در ایران ادامه دارد؟	نوروز تحت ت ثیر نوسانات و جو اقتصادی حاکم بر کشور دچار رکود شده بود، اینک به تب تعطیلات نسبتا طولانی نیمه خردادماه 97 دچار شده و با افزایش نرخ، به‌ویژه در مسیرهای پر روبرو شده است. هرچند رییس هییت مدیره انجمن صنفی دفاتر خدمات مسافرتی ایران معتقد است این تب یکی دو روزه بوده و اکنون در حال افت است.بررسی‌های بازار سفر نشان می‌دهد در چند روز گذشته خارجی و داخلی با قیمت‌های افزایش یافته تبلیغ شده‌اند که با کاهش استقبال، سیر نزولی را آغاز کرده‌اند.به گفته حرمت‌الله رفیعی نیز، تبی که برای یکی دو روز گریبان تورهای خارجی و داخلی را گرفته بود، اکنون در آستانه افت قرار گرفته است، چون مردم از این سفرها با این قیمت‌ها استقبال نکرده‌اند.قیمت سه شب و چهار روز برای اواخر این هفته از 795 هزار تومان آغاز می‌شود که برای تعطیلات هفته آینده تا بیش از 2 میلیون تومان نرخ‌گذاری شده است. در این میان برخی نیز قیمت تعطیلات را کاهش داده و آن را به زیر 2 میلیون تومان رسانده‌اند.اما مقصد جذاب ایرانی‌ها که شمار سفر به آن همچنان در حال افزایش است، برای تعطیلات پیشرو تا بیش از 4 میلیون تومان نرخ‌گذاری شده که همین برای آخر همین هفته کمی بیشتر از 2 میلیون تومان است.نرخ سفر به ، ، و که مسیرهای پر سفر ایرانی‌ها است، همین حالا بسته به نوع مقصد، بین 600 تا 2 میلیون تومان قیمت‌گذاری شده‌اند که برای تعطیلات هفته آینده با افزایش قابل توجه نرخ روبرو شده‌اند.هزینه به بیش از 2 میلیون تومان رسیده وان که اینک کمتر از 700 هزار تومان قیمت دارد برای هفته آینده به بیش از یک میلیون تومان افزایش یافته و که اتفاقا روزهای داغی را سپری می‌کند حدود 2 میلیون تومان قیمت‌گذاری شده است
  آیا یوتیوب برای افزایش تدابیر امنیتی مناسب است؟	اعلام کرده است در دفتر این شرکت در سن برونو کالیفرنیا انجام شد و به آسیب دیدن سه نفر انجامید، تدابیر امنیتی را در تمام دفاتر خود در تمام نقاط جهان افزایش می‌دهد. یوتیوب به این نکته اشاره کرده است که افزایش تدابیر امنیتی یک سیاست کوتاه‌مدت نیست و این شرکت در نظر دارد این استراتژی را به‌عنوان یک نگرش بلندمدت دنبال کند. سیاست جدید یوتیوب را باید مت ثر از حمله‌ی دیروز و افزایش خشونت‌ها در فضای آنلاین خواند که رفته‌رفته شاهد نمود آن در دنیای واقعی نیز هستیم.یوتیوب تصمیم خود در مورد افزایش امنیت در دفاتر بین‌المللی را از طریق حساب کاربری توییتر گوگل در قالب یک بیانیه‌ی منتشر کرده است
  هدفون بی سیم سامسونگ مدل Galaxy Buds Live چیست؟	هدفون بی سیم سامسونگ مدل Galaxy Buds Live کمپانی سامسونگ جدیدترین هدفون بی سیم خود را به شکل لوبیا طراحی کرده است. این محصول که Galaxy Buds Live نام دارد با طراحی ارگونومی به خوبی در گوش جای می‌گیرد و ظاهری بسیار زیبا دارد. کیفیت بالای این محصول و حداقل میزان نویز، شنیدن موسیقی یا مکالمه را برایتان لذت بخش خواهد کرد

• 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: 4e-05
• num_train_epochs: 2
• lr_scheduler_type: cosine
• 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: 4e-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: 2
• max_steps: -1
• lr_scheduler_type: cosine
• 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: 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: 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
• use_liger_kernel: False
• eval_use_gather_object: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss
0.0333	50	0.6248	-
0.0667	100	0.1795	-
0.1	150	0.1578	-
0.1333	200	0.1328	-
0.1667	250	0.0884	-
0.2	300	0.0801	-
0.2333	350	0.108	-
0.2667	400	0.0686	-
0.3	450	0.1042	-
0.3333	500	0.0955	0.0777
0.3667	550	0.0821	-
0.4	600	0.0789	-
0.4333	650	0.0964	-
0.4667	700	0.0783	-
0.5	750	0.0827	-
0.5333	800	0.0934	-
0.5667	850	0.077	-
0.6	900	0.0533	-
0.6333	950	0.0701	-
0.6667	1000	0.0859	0.0609
0.7	1050	0.0808	-
0.7333	1100	0.0537	-
0.7667	1150	0.0633	-
0.8	1200	0.0579	-
0.8333	1250	0.0547	-
0.8667	1300	0.0628	-
0.9	1350	0.0557	-
0.9333	1400	0.0531	-
0.9667	1450	0.0629	-
1.0	1500	0.0536	0.0492
1.0333	1550	0.0353	-
1.0667	1600	0.0143	-
1.1	1650	0.012	-
1.1333	1700	0.0096	-
1.1667	1750	0.0054	-
1.2	1800	0.008	-
1.2333	1850	0.0052	-
1.2667	1900	0.0043	-
1.3	1950	0.0105	-
1.3333	2000	0.0065	0.0455
1.3667	2050	0.0032	-
1.4	2100	0.0069	-
1.4333	2150	0.004	-
1.4667	2200	0.0078	-
1.5	2250	0.0044	-
1.5333	2300	0.0062	-
1.5667	2350	0.0036	-
1.6	2400	0.0027	-
1.6333	2450	0.0076	-
1.6667	2500	0.0048	0.0423
1.7	2550	0.0096	-
1.7333	2600	0.0049	-
1.7667	2650	0.0054	-
1.8	2700	0.0066	-
1.8333	2750	0.0059	-
1.8667	2800	0.0037	-
1.9	2850	0.004	-
1.9333	2900	0.0032	-
1.9667	2950	0.006	-
2.0	3000	0.0027	0.0428

Framework Versions

• Python: 3.10.15
• Sentence Transformers: 3.2.0
• Transformers: 4.45.1
• PyTorch: 2.4.0+cu121
• Accelerate: 1.1.0
• Datasets: 3.0.1
• Tokenizers: 0.20.0

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}
}