metadata

language:
  - ko
library_name: sentence-transformers
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:11668
  - loss:CosineSimilarityLoss
datasets:
  - klue/klue
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
widget:
  - source_sentence: 이는 지난 15일 개최된 제1차 주요국 외교장관간 협의에 뒤이은 것이다.
    sentences:
      - 100일간의 유럽 여행 중 단연 최고의 숙소였습니다!
      - 이것은 7월 15일에 열린 주요 국가의 외무 장관들 간의 첫 번째 회담에 이은 것입니다.
      - 거실옆 작은 방에도 싱글 침대가 두개 있습니다.
  - source_sentence: 3000만원 이하 소액대출은 지역신용보증재단 심사를 기업은행에 위탁하기로 했다.
    sentences:
      - 그 집은 두 사람이 살기에 충분히 크고 깨끗했습니다.
      - 3,000만원 미만의 소규모 대출은 기업은행에 의해 국내 신용보증재단을 검토하도록 의뢰될 것입니다.
      - 지하철, 버스, 기차 모두 편리했습니다.
  - source_sentence: 공간은 4명의 성인 가족이 사용하기에 부족함이 없었고.
    sentences:
      - 특히 모든 부처 장관들이 책상이 아닌 현장에서 직접 방역과 민생 경제의 중심에 서 주시기 바랍니다.
      - 구시가까지 걸어서 15분 정도 걸립니다.
      - 그 공간은 4인 가족에게는 충분하지 않았습니다.
  - source_sentence: 클락키까지 걸어서 10분 정도 걸려요.
    sentences:
      - 가족 여행이나 4명정도 같이 가는 일행은 정말 좋은 곳 같아요
      - 외출 시 방범 모드는 어떻게 바꿔?
      - 타이페이 메인 역까지 걸어서 10분 정도 걸립니다.
  - source_sentence: SR은 동대구·김천구미·신경주역에서 승하차하는 모든 국민에게 운임 10%를 할인해 준다.
    sentences:
      - 그 방은 두 사람이 쓰기에는 조금 좁아요.
      - 수강신청 하는 날짜가 어느 날짜인지 아시는지요?
      - SR은 동대구역, 김천구미역, 신주역을 오가는 모든 승객을 대상으로 요금을 10% 할인해 드립니다.
pipeline_tag: sentence-similarity
model-index:
  - name: SentenceTransformer
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.8475782145205365
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.8545963681447005
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.7968150076303364
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.7965856716776553
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.7968904585865801
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.7972334023226009
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.756409438338087
            name: Pearson Dot
          - type: spearman_dot
            value: 0.7638472444119945
            name: Spearman Dot
          - type: pearson_max
            value: 0.8475782145205365
            name: Pearson Max
          - type: spearman_max
            value: 0.8545963681447005
            name: Spearman Max

SentenceTransformer

This is a sentence-transformers model trained on the klue/klue 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
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 tokens
Similarity Function: Cosine Similarity
Training Dataset:
- klue/klue
Language: ko

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("snunlp/KR-SBERT-Medium-klueNLI-klueSTS")
# Run inference
sentences = [
    'SR은 동대구·김천구미·신경주역에서 승하차하는 모든 국민에게 운임 10%를 할인해 준다.',
    'SR은 동대구역, 김천구미역, 신주역을 오가는 모든 승객을 대상으로 요금을 10% 할인해 드립니다.',
    '수강신청 하는 날짜가 어느 날짜인지 아시는지요?',
]
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
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.8476
spearman_cosine	0.8546
pearson_manhattan	0.7968
spearman_manhattan	0.7966
pearson_euclidean	0.7969
spearman_euclidean	0.7972
pearson_dot	0.7564
spearman_dot	0.7638
pearson_max	0.8476
spearman_max	0.8546

Training Details

Training Dataset

klue/klue

Dataset: klue/klue at 349481e
Size: 11,668 training samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string float
details
min: 7 tokens
mean: 18.53 tokens
max: 56 tokens

min: 6 tokens
mean: 18.02 tokens
max: 60 tokens

min: 0.0
mean: 0.44
max: 1.0

	sentence1	sentence2	label
type	string	string	float
details	min: 7 tokens mean: 18.53 tokens max: 56 tokens	min: 6 tokens mean: 18.02 tokens max: 60 tokens	min: 0.0 mean: 0.44 max: 1.0

Samples:

sentence1	sentence2	label
`숙소 위치는 찾기 쉽고 일반적인 한국의 반지하 숙소입니다.`	`숙박시설의 위치는 쉽게 찾을 수 있고 한국의 대표적인 반지하 숙박시설입니다.`	`0.7428571428571428`
`위반행위 조사 등을 거부·방해·기피한 자는 500만원 이하 과태료 부과 대상이다.`	`시민들 스스로 자발적인 예방 노력을 한 것은 아산 뿐만이 아니었다.`	`0.0`
`회사가 보낸 메일은 이 지메일이 아니라 다른 지메일 계정으로 전달해줘.`	`사람들이 주로 네이버 메일을 쓰는 이유를 알려줘`	`0.06666666666666667`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Evaluation Dataset

klue/klue

Dataset: klue/klue at 349481e
Size: 519 evaluation samples
Columns: sentence1, sentence2, and label
Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label
type string string float
details
min: 7 tokens
mean: 18.6 tokens
max: 61 tokens

min: 7 tokens
mean: 18.16 tokens
max: 60 tokens

min: 0.0
mean: 0.5
max: 1.0

	sentence1	sentence2	label
type	string	string	float
details	min: 7 tokens mean: 18.6 tokens max: 61 tokens	min: 7 tokens mean: 18.16 tokens max: 60 tokens	min: 0.0 mean: 0.5 max: 1.0

Samples:

sentence1	sentence2	label
`무엇보다도 호스트분들이 너무 친절하셨습니다.`	`무엇보다도, 호스트들은 매우 친절했습니다.`	`0.9714285714285713`
`주요 관광지 모두 걸어서 이동가능합니다.`	`위치는 피렌체 중심가까지 걸어서 이동 가능합니다.`	`0.2857142857142858`
`학생들의 균형 있는 영어능력을 향상시킬 수 있는 학교 수업을 유도하기 위해 2018학년도 수능부터 도입된 영어 영역 절대평가는 올해도 유지한다.`	`영어 영역의 경우 학생들이 한글 해석본을 암기하는 문제를 해소하기 위해 2016학년도부터 적용했던 EBS 연계 방식을 올해도 유지한다.`	`0.25714285714285723`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
num_train_epochs: 10
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_steps: None
learning_rate: 5e-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: 10
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: False
seed: 42
data_seed: None
jit_mode_eval: False
use_ipex: False
bf16: False
fp16: True
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: True
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
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	loss	sts-dev_spearman_cosine
0	0	-	-	0.2874
0.0109	1	0.1046	-	-
0.5435	50	0.0703	0.0605	0.6007
1.0870	100	0.0203	0.0340	0.8140
1.6304	150	0.0118	0.0304	0.8342
2.1739	200	0.0094	0.0298	0.8480
2.7174	250	0.0054	0.0311	0.8503
3.2609	300	0.0048	0.0303	0.8488
3.8043	350	0.0043	0.0307	0.8526
4.3478	400	0.0035	0.0305	0.8515
4.8913	450	0.0033	0.0302	0.8513
5.4348	500	0.0028	0.0306	0.8546

Framework Versions

Python: 3.11.9
Sentence Transformers: 3.0.1
Transformers: 4.41.2
PyTorch: 2.0.1
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",
}