File size: 34,852 Bytes
7630c2c |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:1868
- loss:MultipleNegativesRankingLoss
base_model: DeepPavlov/rubert-base-cased
widget:
- source_sentence: Синтетический аналог природного ГнРГ. Бусерелин конкурентно связывается
с рецепторами клеток передней доли гипофиза, вызывая кратковременное повышение
уровня половых гормонов в плазме крови. Дальнейшее применение лечебных доз препарата
приводит (в среднем через 12–14 дней) к полной блокаде гонадотропной функции гипофиза,
ингибируя, таким образом, выделение ЛГ и ФСГ. В результате наблюдается подавление
синтеза половых гормонов в гонадах, что проявляется снижением концентрации эстрадиола
в плазме крови до постклимактерических значений у женщин и снижением содержания
тестостерона до посткастрационного уровня у мужчин.
sentences:
- Глубокие мышцы спины участвуют в акте дыхания?
- При приеме бусерелина происходит стойкое повышение концентрации половых гормонов
в плазме крови?
- Антитела к меполизумабу могут вырабытываться в организме после введения первой
дозы меполизумаба?
- source_sentence: 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).
sentences:
- Эту болезнь относят к острым заболеваниям?
- Этилметилгидроксипиридина сукцинат повышает устойчивость организма к интоксикации
алкоголем?
- Компонент положительно влияет на клетки печени?
- source_sentence: Аторвастатин в дозе 80 мг/сут уменьшает риск развития повторного
фатального или нефатального инсульта у пациентов, перенесших инсульт или транзиторную
ишемическую атаку (ТИА) без ИБС в анамнезе (исследование по профилактике инсульта
при интенсивном снижении концентрации Хс (SPARCL), на 16% по сравнению с пациентами
группы плацебо. При этом значительно снижается риск развития основных сердечно-сосудистых
осложнений и процедур реваскуляризации. Сокращение риска сердечно-сосудистых нарушений
при терапии аторвастатином отмечается у всех групп пациентов, кроме той, куда
вошли пациенты с первичным или повторным геморрагическим инсультом.
sentences:
- Клинические исследования препарата аторвастатин не проводились?
- Споры бактерии попадают в организм человека через лёгкие?
- Феринжект содержит большое количество свободного железа?
- source_sentence: 'При нанесении геля на обширные участки кожи не исключено развитие
системных побочных реакций: изжога, тошнота, рвота, диарея, гастралгия, изъязвление
слизистой ЖКТ, повышение активности печеночных трансаминаз; головная боль, головокружение;
задержка жидкости, гематурия; аллергические реакции (анафилактический шок, кожная
сыпь); тромбоцитопения, лейкопения, анемия, агранулоцитоз, удлинение времени кровотечения.'
sentences:
- Гель не следует наносить на обширные участки кожи во избежание развития побочных
эффектов?
- Миоглобин тождественен гемоглобину?
- Туберкулезный плеврит является сердечным заболеванием?
- source_sentence: '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.'
sentences:
- Эндометрит может случиться при попадании бактерий кишечной палочки в желудок?
- Применение эпидуральной анестезии к детям сопряжено с риском осложнений?
- Проникающее ранение грудной клетки может привести к удушью?
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: SentenceTransformer based on DeepPavlov/rubert-base-cased
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.5144230769230769
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.6778846153846154
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.7115384615384616
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.7740384615384616
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.5144230769230769
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.22596153846153846
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.1423076923076923
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.07740384615384616
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.5144230769230769
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.6778846153846154
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.7115384615384616
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.7740384615384616
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.6458227834531023
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.6046646062271062
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.6106374762191299
name: Cosine Map@100
---
# SentenceTransformer based on DeepPavlov/rubert-base-cased
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [DeepPavlov/rubert-base-cased](https://huggingface.co/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](https://huggingface.co/DeepPavlov/rubert-base-cased) <!-- at revision 4036cab694767a299f2b9e6492909664d9414229 -->
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- json
<!-- - **Language:** Unknown -->
<!-- - **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})
)
```
## 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("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]
```
<!--
### 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
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.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 |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### json
* Dataset: json
* Size: 1,868 training samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 1000 samples:
| | positive | anchor |
|:--------|:------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 12 tokens</li><li>mean: 98.81 tokens</li><li>max: 380 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 14.66 tokens</li><li>max: 49 tokens</li></ul> |
* Samples:
| positive | anchor |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------|
| <code>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.</code> | <code>Способность к набуханию является одним из свойств белков?</code> |
| <code>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.</code> | <code>Предположительным диагнозом является хроническая постгеморрагическая железодефицитная анемия?</code> |
| <code>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.</code> | <code>В седалищной кости можно выделить 2 ветви?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"scale": 20.0,
"similarity_fct": "cos_sim"
}
```
### Evaluation Dataset
#### json
* Dataset: json
* Size: 208 evaluation samples
* Columns: <code>positive</code> and <code>anchor</code>
* Approximate statistics based on the first 208 samples:
| | positive | anchor |
|:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 24 tokens</li><li>mean: 103.32 tokens</li><li>max: 438 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 14.84 tokens</li><li>max: 36 tokens</li></ul> |
* Samples:
| positive | anchor |
|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------|
| <code>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).</code> | <code>Мышцы сгибатели расположены изнутри сагиттальной оси сустава?</code> |
| <code>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).</code> | <code>Этилметилгидроксипиридина сукцинат повышает устойчивость организма к интоксикации алкоголем?</code> |
| <code>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.</code> | <code>Пясть представлена трубчатыми костями?</code> |
* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
```json
{
"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
<details><summary>Click to expand</summary>
- `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
</details>
### 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
```bibtex
@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
```bibtex
@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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |