metadata
language:
- vi
library_name: sentence-transformers
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:388774
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: BookingCare/bkcare-bert-pretrained
datasets:
- facebook/xnli
metrics:
- pearson_cosine
- spearman_cosine
- pearson_manhattan
- spearman_manhattan
- pearson_euclidean
- spearman_euclidean
- pearson_dot
- spearman_dot
- pearson_max
- spearman_max
widget:
- source_sentence: >-
Như bằng chứng về việc này , cô ta đã chi tiết các tài sản bầu cử của
clinton theo tiểu bang , ở phía đông bắc , Trung Tây , và tây .
sentences:
- Bộ chọn ứng cử viên không vui chơi ở các bữa tiệc .
- >-
Sử dụng công nghệ thông tin cho phép sử dụng các nguồn tài nguyên liên
lạc lớn hơn .
- >-
Không bao giờ có một tài khoản kỹ lưỡng của các cuộc bầu cử của clinton
.
- source_sentence: Sau một thời gian , ông ấy ngừng bò và ngồi lên .
sentences:
- Jon muốn có một trận đấu lớn để bắt đầu .
- Tất cả mọi người đều được đưa ra một tách trung quốc vào đầu năm .
- Anh ta bị thương nghiêm trọng .
- source_sentence: >-
Arras đã nổi tiếng trong thời trung cổ cho tác phẩm của vải và những tấm
thảm treo cổ , loại thông qua mà polonius gặp phải cái chết của ông ta ở
hamlet .
sentences:
- Lũ lụt đang dự kiến đã gây ra 1.5 tỷ đô la trong thiệt hại .
- Nó sẽ là bắt buộc cho những người nghèo khổ vì những quy định .
- Arras chỉ làm đồ gốm thôi .
- source_sentence: >-
Lehrer là người về sự giao tiếp này với gió và quyền lực , và nó đã biến
anh ta thành một trong số họ .
sentences:
- Người đã làm julius cảm thấy lo lắng .
- Họ có thể mất 36 tháng để hoàn thành .
- Leher không thích giao tiếp với các chính trị gia .
- source_sentence: Tôi sẽ làm tất cả những gì ông muốn. julius hạ khẩu súng lục .
sentences:
- Tôi sẽ ban cho anh những lời chúc của anh , julius bỏ súng xuống .
- >-
Bạn có thể được đề nghị giả ngọc , điều đó rất tương tự với các đối tác
cao hơn của nó .
- Nó đến trong túi 400 pound .
pipeline_tag: sentence-similarity
model-index:
- name: SentenceTransformer based on BookingCare/bkcare-bert-pretrained
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev 768
type: sts-dev-768
metrics:
- type: pearson_cosine
value: 0.6867482534374487
name: Pearson Cosine
- type: spearman_cosine
value: 0.6700553964995389
name: Spearman Cosine
- type: pearson_manhattan
value: 0.6734129943367082
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.6689701652447698
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.6743893025028618
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.6700560677966448
name: Spearman Euclidean
- type: pearson_dot
value: 0.6867482521687218
name: Pearson Dot
- type: spearman_dot
value: 0.6700558146434896
name: Spearman Dot
- type: pearson_max
value: 0.6867482534374487
name: Pearson Max
- type: spearman_max
value: 0.6700560677966448
name: Spearman Max
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev 512
type: sts-dev-512
metrics:
- type: pearson_cosine
value: 0.6850905517919458
name: Pearson Cosine
- type: spearman_cosine
value: 0.6685671393301956
name: Spearman Cosine
- type: pearson_manhattan
value: 0.6726989775543833
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.6682515030981849
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.6739395873419184
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.6695224924884773
name: Spearman Euclidean
- type: pearson_dot
value: 0.6802500913119895
name: Pearson Dot
- type: spearman_dot
value: 0.6631065723741826
name: Spearman Dot
- type: pearson_max
value: 0.6850905517919458
name: Pearson Max
- type: spearman_max
value: 0.6695224924884773
name: Spearman Max
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev 256
type: sts-dev-256
metrics:
- type: pearson_cosine
value: 0.6725154983351178
name: Pearson Cosine
- type: spearman_cosine
value: 0.6575647130100782
name: Spearman Cosine
- type: pearson_manhattan
value: 0.6697743652714089
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.6645201863227755
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.6719730940115203
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.6669909427123673
name: Spearman Euclidean
- type: pearson_dot
value: 0.6475732494643994
name: Pearson Dot
- type: spearman_dot
value: 0.6294359395183124
name: Spearman Dot
- type: pearson_max
value: 0.6725154983351178
name: Pearson Max
- type: spearman_max
value: 0.6669909427123673
name: Spearman Max
SentenceTransformer based on BookingCare/bkcare-bert-pretrained
This is a sentence-transformers model finetuned from BookingCare/bkcare-bert-pretrained on the facebook/xnli 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: BookingCare/bkcare-bert-pretrained
- Maximum Sequence Length: 512 tokens
- Output Dimensionality: 768 tokens
- Similarity Function: Cosine Similarity
- Training Dataset:
- **Languages:**vi
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})
(2): Normalize()
)
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("nampham1106/bkcare-text-emb-v1.0")
# Run inference
sentences = [
'Tôi sẽ làm tất cả những gì ông muốn. julius hạ khẩu súng lục .',
'Tôi sẽ ban cho anh những lời chúc của anh , julius bỏ súng xuống .',
'Nó đến trong túi 400 pound .',
]
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
Semantic Similarity
- Dataset:
sts-dev-768 - Evaluated with
EmbeddingSimilarityEvaluator
| Metric | Value |
|---|---|
| pearson_cosine | 0.6867 |
| spearman_cosine | 0.6701 |
| pearson_manhattan | 0.6734 |
| spearman_manhattan | 0.669 |
| pearson_euclidean | 0.6744 |
| spearman_euclidean | 0.6701 |
| pearson_dot | 0.6867 |
| spearman_dot | 0.6701 |
| pearson_max | 0.6867 |
| spearman_max | 0.6701 |
Semantic Similarity
- Dataset:
sts-dev-512 - Evaluated with
EmbeddingSimilarityEvaluator
| Metric | Value |
|---|---|
| pearson_cosine | 0.6851 |
| spearman_cosine | 0.6686 |
| pearson_manhattan | 0.6727 |
| spearman_manhattan | 0.6683 |
| pearson_euclidean | 0.6739 |
| spearman_euclidean | 0.6695 |
| pearson_dot | 0.6803 |
| spearman_dot | 0.6631 |
| pearson_max | 0.6851 |
| spearman_max | 0.6695 |