---
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](https://www.SBERT.net) model finetuned from [BookingCare/bkcare-bert-pretrained](https://huggingface.co/BookingCare/bkcare-bert-pretrained) on the [facebook/xnli](https://huggingface.co/datasets/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](https://huggingface.co/BookingCare/bkcare-bert-pretrained) <!-- at revision f869851286af65b3dbe0541a14fc5d3d2bb6c95d -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
    - [facebook/xnli](https://huggingface.co/datasets/facebook/xnli)
- **Languages:**vi
<!-- - **License:** Unknown -->

### 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': 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:

```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("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]
```

<!--
### Direct Usage (Transformers)

<details><summary>Click to see the direct usage in Transformers</summary>

</details>
-->

<!--
### Downstream Usage (Sentence Transformers)

You can finetune this model on your own dataset.

<details><summary>Click to expand</summary>

</details>
-->

<!--
### Out-of-Scope Use

*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->

## Evaluation

### Metrics

#### Semantic Similarity
* Dataset: `sts-dev-768`
* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.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 [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.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     |