metadata
language:
- tr
license: apache-2.0
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:19931
- loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-large-instruct
widget:
- source_sentence: En yakın restoranı bulun.
sentences:
- '"Hangi parkurlarda yürüyüş yapmayı tercih ediyorsun?"'
- Brooklyn, NY
- >-
En yakın restoranı bulmak için aşağıdaki yöntemleri kullanabilirsiniz:
1. **Harita Uygulamaları**: Google Maps veya Apple Maps gibi harita
uygulamaları, yakınınızdaki restoranları listeleyebilir. Bu
uygulamalarda "restoran" araması yaparak konumunuza en yakın seçenekleri
görüntüleyebilirsiniz.
2. **Yelp veya TripAdvisor**: Bu uygulamalar, kullanıcı yorumları ve
puanlamalarına göre restoranları sıralayarak en iyi seçenekleri
bulmanızı sağlar.
3. **OpenTable**: Bu uygulama, özellikle restoran rezervasyonu yapmak
isterseniz faydalı olabilir.
Brooklyn, NY'de birçok restoran seçeneği bulunmaktadır, bu yüzden
belirli bir tür mutfak veya yemek arıyorsanız aramanızı daraltmak iyi
bir strateji olabilir.
- source_sentence: >-
Verilen cümlede tek tırnak işaretlerini (') çift tırnak işaretleriyle (")
değiştirin.
sentences:
- >-
Verilen doğrusal sistemi çözmek için iki denklem arasında eliminasyon
veya yerine koyma yöntemlerinden birini kullanabiliriz. Burada yerine
koyma yöntemini kullanarak çözelim.
1. İlk denklemden y'yi yalnız bırakın:
\[ 2x + y = 5 \]
Buradan, \[ y = 5 - 2x \] olur.
2. Bulduğumuz \( y = 5 - 2x \) ifadesini ikinci denklemde yerine koyun:
\[ -x + 3y = 4 \]
\[ -x + 3(5 - 2x) = 4 \]
3. Dağıtımı yapalım:
\[ -x + 15 - 6x = 4 \]
4. Benzer terimleri toplayalım:
\[ -7x + 15 = 4 \]
5. Her iki taraftan 15 çıkarın:
\[ -7x = 4 - 15 \]
\[ -7x = -11 \]
6. Her iki tarafı da -7'ye bölün:
\[ x = \frac{-11}{-7} \]
\[ x = \frac{11}{7} \]
7. Bulduğumuz \( x \) değerini \( y = 5 - 2x \) ifadesinde yerine koyun:
\[ y = 5 - 2\left(\frac{11}{7}\right) \]
\[ y = 5 - \frac{22}{7} \]
\[ y = \frac{35}{7} - \frac{22}{7} \]
\[ y = \frac{13}{7} \]
Bu durumda doğrusal sistemin çözümü:
\[ x = \frac{11}{7} \] ve \[ y = \frac{13}{7} \] olur.
- ABD'de, KIPP bir "kamu-özel ortaklığıdır".
- ABD'de, KIPP bir 'kamu-özel ortaklığıdır'.
- source_sentence: |-
Bir saatin fiyatı 50 dolardır.
(50 dolarlık saat)
sentences:
- Etkinliğe katıldı.
- Ev sahibi takımın zaferi
- >-
Sanırım iki farklı konudan bahsediyorsunuz: biri bir saat fiyatı, diğeri
ise ev sahibi takımın zaferi. Bu konulardan hangisi hakkında daha fazla
bilgi almak istersiniz? Ya da her iki konuyu kapsayan belirli bir
sorunuz var mı?
- source_sentence: Yakındaki bir restoran bulun, <insert cuisine> mutfağı sunan.
sentences:
- >-
Kuadratik denklemi çözmek için diskriminant yöntemini kullanabiliriz.
Genel formdaki bir kuadratik denklem \( ax^2 + bx + c = 0 \)
şeklindedir. Burada, \( a = 3 \), \( b = 7 \) ve \( c = -4 \) olarak
verilmiştir.
Diskriminant (\( \Delta \)), \( b^2 - 4ac \) formülü ile hesaplanır:
\[
\Delta = 7^2 - 4 \cdot 3 \cdot (-4) = 49 + 48 = 97
\]
Diskriminant pozitif olduğundan, iki gerçek ve farklı kök vardır.
Kuadratik formül kullanılarak kökler bulunabilir:
\[
x = \frac{-b \pm \sqrt{\Delta}}{2a}
\]
Bu formüle bağlı olarak kökleri bulalım:
\[
x_1 = \frac{-7 + \sqrt{97}}{6}
\]
\[
x_2 = \frac{-7 - \sqrt{97}}{6}
\]
Bu, orijinal denklemin iki çözümünü verir:
\[
x_1 = \frac{-7 + \sqrt{97}}{6} \quad \text{ve} \quad x_2 = \frac{-7 -
\sqrt{97}}{6}
\]
- >-
Üzgünüm, yakındaki restoranları veya mekanları aramak gibi anlık coğrafi
konum verilerine erişimim yok. Ancak, İtalyan mutfağından bir yemek
tarifi verebilirim! İşte klasik bir İtalyan tarifi: Spaghetti Aglio e
Olio.
### Spaghetti Aglio e Olio Tarifi
#### Malzemeler:
- 400 gram spagetti
- 4-5 diş sarımsak
- 1/2 çay bardağı zeytinyağı
- 1/2 çay kaşığı kırmızı pul biber (isteğe bağlı)
- Tuz
- Karabiber
- Yarım demet taze maydanoz
- Üzeri için rendelenmiş Parmesan peyniri (isteğe bağlı)
#### Yapılışı:
1. **Spagettiyi Haşlayın**: Büyük bir tencerede suyu kaynatın. Kaynayan
suya yeterince tuz ekleyin ve spagettiyi pakette belirtilen süreye göre
al dente (dişe gelir) şekilde haşlayın. Haşlandıktan sonra makarnanın
suyundan bir bardak ayırın ve makarnayı süzün.
2. **Sarımsak ve Zeytinyağını Hazırlayın**: Sarımsakları ince ince
dilimleyin. Geniş bir tavada, düşük ateşte zeytinyağını ısıtın.
Sarımsakları ekleyin ve altın rengi alana kadar yavaşça soteleyin. Eğer
biraz acı seviyorsanız kırmızı pul biberi de bu aşamada
ekleyebilirsiniz.
3. **Makarnayı Karıştırın**: Haşlanmış ve süzülmüş makarnayı tavadaki
sarımsaklı zeytinyağının içine ekleyin. Ayırdığınız makarna suyundan da
azar azar ekleyerek karıştırın. Tuz ve karabiber ile tatlandırın.
4. **Servis Edin**: İnce kıyılmış taze maydanozu makarnanın üzerine
serpin ve karıştırın. İsterseniz üzerine rendelenmiş Parmesan peyniri de
ekleyerek servis yapın.
Afiyet olsun! Bu basit ama lezzetli İtalyan yemeği, hızlı bir akşam
yemeği için harika bir seçenektir.
- <ekle yemek tarifi> - İtalyan
- source_sentence: Bu cümleyi etken bir yapı kullanarak yeniden yazın.
sentences:
- Kaptan tekneyi çarptı.
- >-
Verilen listeyi sıralamak için basit bir sıralama algoritmasının nasıl
çalıştığını açıklayayım. Örnek olarak "Seçmeli Sıralama" (Selection
Sort) algoritmasını kullanabiliriz. Bu algoritma, her adımda dizinin
geri kalan kısmından en küçük (veya en büyük) öğeyi seçip, bunu
sıralanmamış bölümün başına yerleştirir. İşte adım adım nasıl çalıştığı:
1. **Başla**: İlk öğeden başlayarak liste üzerinde ilerle.
2. **En küçük elemanı bul**:
- Mevcut konumdan başlayarak geri kalan elemanlar arasında en küçük değeri bul.
- Listenin ilk konumunda (0 indeksli) başla ve bu elemanı hafızada "şimdilik en küçük" olarak tut.
3. **Yer değiştir**:
- Geri kalan elemanlar arasında bulunmuş olan en küçük değeri, mevcut konumda olan elemanla yer değiştir.
4. **Sonraki pozisyona geç**:
- Bir konum ilerle ve 2. adımdan itibaren devam et.
5. **Bittiğinde**: Liste baştan sona kontrol edildiğinde ve tüm
elemanlar sırasıyla yerleştirildiğinde, işlem tamamlanmıştır.
Verilen örnek [4, 1, 6, 5, 2] listesi üzerinden bunu adım adım
uygulayalım:
- Başlangıç listesi: [4, 1, 6, 5, 2]
**1. Adım:**
- En küçük eleman 1, onu ilk pozisyondaki 4 ile değiştir.
- Liste: [1, 4, 6, 5, 2]
**2. Adım:**
- Kalan liste [4, 6, 5, 2] içinde en küçük eleman 2, bunu 4 ile
değiştir.
- Liste: [1, 2, 6, 5, 4]
**3. Adım:**
- Kalan liste [6, 5, 4] içinde en küçük eleman 4, bunu 6 ile değiştir.
- Liste: [1, 2, 4, 5, 6]
**4. Adım:**
- Kalan liste [5, 6] içinde en küçük eleman 5, bu zaten yerinde.
- Liste: [1, 2, 4, 5, 6]
**5. Adım:**
- Tek kalan eleman 6, o da yerinde. Sıralama tamamlandı.
Bu algoritmanın zaman karmaşıklığı \(O(n^2)\) olduğundan, daha büyük
listelerde daha verimli bir algoritma kullanmak isteyebilirsiniz,
örneğin Hızlı Sıralama (Quick Sort) veya Birleştirme Sıralaması (Merge
Sort). Ancak, küçük listeler için Seçmeli Sıralama anlaşılır ve
yeterlidir.
- Tekne kaptan tarafından çarpıldı.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
intfloat-fine-tuned
This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large-instruct on the json dataset. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large-instruct
- Maximum Sequence Length: 512 tokens
- Output Dimensionality: 1024 tokens
- Similarity Function: Cosine Similarity
- Training Dataset:
- json
- Language: tr
- License: apache-2.0
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: XLMRobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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("Omerhan/checkpoint-120-aixr")
# Run inference
sentences = [
'Bu cümleyi etken bir yapı kullanarak yeniden yazın.',
'Kaptan tekneyi çarptı.',
'Tekne kaptan tarafından çarpıldı.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
Training Details
Training Dataset
json
- Dataset: json
- Size: 19,931 training samples
- Columns:
anchor
,positive
, andnegative
- Approximate statistics based on the first 1000 samples:
anchor positive negative type string string string details - min: 7 tokens
- mean: 15.25 tokens
- max: 160 tokens
- min: 3 tokens
- mean: 128.76 tokens
- max: 512 tokens
- min: 3 tokens
- mean: 16.82 tokens
- max: 185 tokens
- Samples:
anchor positive negative Tek farklı olanı belirleyin.
Tek farklı olan Telegram'dır. Bunun sebebi, Twitter ve Instagram'ın ana odaklarının sosyal medya platformları olması ve daha çok kullanıcıların içerik paylaşımına odaklanması iken, Telegram'ın öncelikli olarak bir mesajlaşma uygulaması olmasıdır. Telegram, kullanıcılar arasında mesajlaşma, medya dosyaları paylaşma ve grup sohbetleri oluşturma gibi özelliklerle öne çıkar.
Twitter, Instagram, Telegram
Aşağıdaki cümleyi etken çatı kullanarak yeniden yazın.
Kaptan haber raporunu okudu.
Haber raporu kaptan tarafından okundu.
Bu cümleyi yazım ve dilbilgisi hataları için değerlendirin.
Bu cümlede yazım ve dilbilgisi açısından herhangi bir hata bulunmamaktadır. Cümle doğru bir şekilde yazılmıştır.
O yemeğini bitirdi ve restorandan ayrıldı.
- Loss:
MultipleNegativesRankingLoss
with these parameters:{ "scale": 20.0, "similarity_fct": "cos_sim" }
Training Hyperparameters
Non-Default Hyperparameters
gradient_accumulation_steps
: 8learning_rate
: 1e-06num_train_epochs
: 1lr_scheduler_type
: cosinewarmup_ratio
: 0.01tf32
: Trueoptim
: adamw_torch_fusedbatch_sampler
: no_duplicates
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: noprediction_loss_only
: Trueper_device_train_batch_size
: 8per_device_eval_batch_size
: 8per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 8eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 1e-06weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 1max_steps
: -1lr_scheduler_type
: cosinelr_scheduler_kwargs
: {}warmup_ratio
: 0.01warmup_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
: Falsefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Truelocal_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
: Falseignore_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_torch_fusedoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_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
: Falseuse_liger_kernel
: Falseeval_use_gather_object
: Falsebatch_sampler
: no_duplicatesmulti_dataset_batch_sampler
: proportional
Framework Versions
- Python: 3.11.11
- Sentence Transformers: 3.1.1
- Transformers: 4.45.2
- PyTorch: 2.5.1+cu124
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.20.3
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}
}