TrungKiencding/Medbert-based-RuBert

SentenceTransformer based on DeepPavlov/rubert-base-cased

This is a sentence-transformers model finetuned from DeepPavlov/rubert-base-cased on the json 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: DeepPavlov/rubert-base-cased
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json

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("TrungKiencding/Medbert-based-RuBert")
# Run inference
sentences = [
    'Эндометрит — воспаление слизистой оболочки матки. Возникает в результате проникновения в матку патогенных микроорганизмов: стрептококков, стафилококков, гонококков, кишечных палочек, микобактерий туберкулеза, трихомонад, бактероидов, хламидий, вирусов и др. Инфицирование может происходить восходящим (из влагалища, канала шейки матки), гематогенным и лимфогенным путем. Возбудители инфекции могут попадать в полость матки извне — при несоблюдении правил асептики и антисептики во время проведения внутриматочных диагностических и лечебных манипуляций. Чаще эндометрит рязвивается после родов, аборта.',
    'Эндометрит может случиться при попадании бактерий кишечной палочки в желудок?',
    'Проникающее ранение грудной клетки может привести к удушью?',
]
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

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.5144
cosine_accuracy@3	0.6779
cosine_accuracy@5	0.7115
cosine_accuracy@10	0.774
cosine_precision@1	0.5144
cosine_precision@3	0.226
cosine_precision@5	0.1423
cosine_precision@10	0.0774
cosine_recall@1	0.5144
cosine_recall@3	0.6779
cosine_recall@5	0.7115
cosine_recall@10	0.774
cosine_ndcg@10	0.6458
cosine_mrr@10	0.6047
cosine_map@100	0.6106

Training Details

Training Dataset

json

• Dataset: json
• Size: 1,868 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 12 tokens mean: 98.81 tokens max: 380 tokens	min: 7 tokens mean: 14.66 tokens max: 49 tokens

• Samples:

  positive	anchor
  Белки обладают явно выраженными гидрофильными свойствами. Растворы белков имеют очень низкое осмотическое давление, высокую вязкость и незначительную способность к диффузии. Белки способны к набуханию в очень больших пределах. С коллоидным состоянием белков связан ряд характерных свойств, в частности явление светорассеяния, лежащее в основе количественного определения белков методом нефелометрии. Этот эффект используется, кроме того, в современных методах микроскопии биологических объектов. Молекулы белка не способны проникать через полупроницаемые искусственные мембраны (целлофан, пергамент, коллодий), а также биомембраны растительных и животных тканей, хотя при органических поражениях, например, почек капсула почечного клубочка (Шумлянского-Боумена) становится проницаемой для альбуминов сыворотки крови и последние появляются в моче.	Способность к набуханию является одним из свойств белков?
  Пациентка, 32 года, обратилась к врачу общей практики по поводу общей слабости, утомляемости, сонливости днем. При осмотре обнаружена бледность кожи, ломкость ногтей, сухость кожи, выпадение волос, глоссит. Над легкими дыхание везикулярное, хрипов нет. Ритм сердечных сокращений правильный. ЧСС 96 в 1 минуту, АД 110/70 мм. рт. ст. На верхушке и в точке Боткина выслушивается систолический шум. Живот при пальпации мягкий, безболезненный. Печень и селезенка не увеличены. Месячные по 6-7 дней, обильные. Общий анализ крови: гемоглобин 67 г/л, эритроциты 3.0х10^12/л, цветной показатель 0.7, тромбоциты 250х10^9/л, лейкоциты 5.2х10^9/л, СОЭ 18 мм/ч.	Предположительным диагнозом является хроническая постгеморрагическая железодефицитная анемия?
  Седалищная кость своим телом также участвует в образовании вертлужной впадины. Обе её ветви — верхняя и нижняя — замыкают запирательное отверстие снизу и сбоку. На месте перехода одной ветви в другую находится седалищный бугор, на который опирается туловище при сидении. Выше бугра на задней грани кости выступает седалищная ость, отделенная от него малой седалищной вырезкой.	В седалищной кости можно выделить 2 ветви?

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

json

• Dataset: json
• Size: 208 evaluation samples
• Columns: positive and anchor
• Approximate statistics based on the first 208 samples:

  	positive	anchor
  type	string	string
  details	min: 24 tokens mean: 103.32 tokens max: 438 tokens	min: 8 tokens mean: 14.84 tokens max: 36 tokens

• Samples:

  positive	anchor
  Мышца, приводящая в движение сустав, производит определенную работу. Характер работы зависит от того, как расположена ось сустава, и какое положение в отношении этой оси занимает мышца. В связи с этим различают следующие мышцы: сгибатели и разгибатели (лежат впереди или позади поперечной оси сустава), приводящие и отводящие (изнутри или снаружи сагиттальной оси сустава), вращающие внутрь и вращающие наружу (изнутри или снаружи от продольной оси сустава).	Мышцы сгибатели расположены изнутри сагиттальной оси сустава?
  Этилметилгидроксипиридина сукцинат является ингибитором свободнорадикальных процессов, мембранопротектором, обладающим антигипоксическим, стресспротекторным, ноотропным, противосудорожным и анксиолитическим действием. Этилметилгидроксипиридина сукцинат повышает резистентность организма к воздействию различных повреждающих факторов (шок, гипоксия и ишемия, нарушения мозгового кровообращения, интоксикация алкоголем и антипсихотическими средствами — нейролептиками).	Этилметилгидроксипиридина сукцинат повышает устойчивость организма к интоксикации алкоголем?
  Пясть состоит из пяти трубчатых пястных костей, которые кроме первой лежат в одной плоскости и уменьшаются по длине от II-й к V-й. II–V пястные кости расположены в ряд так, что между ними остаются три межкостных пространства. В каждой пястной кости различают тело, основание, опирающееся на кости дистального ряда запястья, и головку, сочленяющуюся с основной фалангой пальца. I-ая пястная кость отставлена в сторону. Проксимальные концы всех костей пясти расширены у оснований. Основание первой пястной кости имеет седловидную поверхность. Тело ее широкое и уплощенное.	Пясть представлена трубчатыми костями?

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• gradient_accumulation_steps: 16
• learning_rate: 2e-05
• num_train_epochs: 4
• lr_scheduler_type: cosine
• warmup_ratio: 0.1
• bf16: True
• load_best_model_at_end: True
• optim: adamw_torch_fused
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• 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: 16
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-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: 4
• max_steps: -1
• lr_scheduler_type: cosine
• 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: 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: 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_fused
• 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: None
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• include_for_metrics: []
• 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
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	cosine_ndcg@10
1.0	8	-	0.6016	0.4718
1.2735	10	1.0977	-	-
2.0	16	-	0.4052	0.6168
2.5470	20	0.3832	-	-
3.0	24	-	0.3533	0.6451
3.547	28	-	0.3496	0.6458

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.3.1
• Transformers: 4.47.0
• PyTorch: 2.5.1+cu121
• Accelerate: 1.2.1
• Datasets: 3.3.1
• Tokenizers: 0.21.0

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}
}