--- 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) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity - **Training Dataset:** - json ### 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] ``` ## Evaluation ### Metrics #### Information Retrieval * Evaluated with [InformationRetrievalEvaluator](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 | ## 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 | | | * 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](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: positive and anchor * Approximate statistics based on the first 208 samples: | | positive | anchor | |:--------|:-------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * 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](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
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 ```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} } ```