dilovancelik/multilingual-e5-base-danish-speeches-finetune

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base 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: intfloat/multilingual-e5-base
• 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: XLMRobertaModel 
  (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})
  (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("dilovancelik/multilingual-e5-large-danish-speeches-finetune")
# Run inference
sentences = [
    'Bygge- og anlægsvirksomhed',
    'Den betydelige forringelse i balancen udadtil hænger sammen med tre forhold: den stærke stigning i befolkningens forbrug, den stærke stigning i den samlede bygge- og anlægsvirksomhed og stigningen i den øvrige investering.',
    'Venligst',
]
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

Triplet

• Dataset: danish_embedding_validator
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9837

Triplet

• Dataset: danish_embedding_validator
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9843

Training Details

Training Dataset

json

• Dataset: json
• Size: 48,914 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 3 tokens mean: 4.28 tokens max: 11 tokens	min: 3 tokens mean: 50.09 tokens max: 512 tokens	min: 3 tokens mean: 54.62 tokens max: 512 tokens

• Samples:

  anchor	positive	negative
  Integration	Indvandrerproblemet i Danmark består i, at vi her i landet gør indvandrerne til sociale klienter. Det er rasende kostbart. Det er også helt perspektivløst. Og dertil kommer, at det er demoraliserende, fordi det er tegn på en manglende respekt.	ingen
  Prisuddeling	Det musik vi laver, det laver vi, fordi at det udtrykker det, der er inde i os, og det kan godt være, at vi er underlige, men vi er glade for, at der er rigtig mange mennesker derude, der også er underlige, og som har taget sig tid til at stemme på os, tusind tak for det.	Det begyndte alt sammen for 175 år siden her tæt, hvor vi står, med rejsningen af Den Skandinaviske Sten i 1845.
  Friskoler	Vi har ladet tusind blomster blomstre –  vi har massevis af pædagoger, hjemmehjælpere og lærere, som vil være selvstændige og starte fri-børnehaver, friskoler og friplejehjem.	Greenland Ruby A/S, som åbnede minen i Aappilattoq ved Qeqertarsuatsiaat sidste år er på nuværende tidspunkt det eneste selskab, der driver aktiv mine i Grønland.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

json

• Dataset: json
• Size: 48,914 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 3 tokens mean: 4.39 tokens max: 18 tokens	min: 3 tokens mean: 52.42 tokens max: 512 tokens	min: 3 tokens mean: 55.2 tokens max: 512 tokens

• Samples:

  anchor	positive	negative
  Koncert	og fik virkelig trukket de fleste af dem med. ”	Det er regeringens mål at stabilisere udviklingen i byggeriet på et højt niveau og at fortsætte den sociale linje i boligpolitikken.
  Ukraine	Vores hjælp gør også Ukraine attraktivt for udenlandske investorer og samarbejdspartnere den dag, krigens trængsler er forbi. Internationale virksomheder holder sig ofte tilbage med at anbringe penge i lande, hvor forholdene ikke er i orden. Eller hvor der er penge under bordet.	Og den lovbestemte mindsteløn i Tyskland er i dag på 9 Euro.
  Aftale	Når ens kæreste ikke møder op til en aftale, er man	Det Jødiske Samfund har oplyst, at de i perioden 7. oktober til 7. november i år har modtaget 80 indberetninger om antisemitiske hændelser. Det er 24 gange flere indberetninger end gennemsnittet pr. måned i de forudgående ni måneder af 2023.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 64
• per_device_eval_batch_size: 64
• learning_rate: 2e-05
• weight_decay: 0.1
• num_train_epochs: 2
• warmup_ratio: 0.1
• batch_sampler: no_duplicates

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
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.1
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 2
• 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: 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: False
• 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: 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	danish_embedding_validator_cosine_accuracy
-1	-1	-	-	0.8181
0.4082	200	3.0213	0.8728	0.9777
0.8163	400	2.4277	0.8451	0.9809
1.2224	600	2.0946	0.8268	0.9817
1.6306	800	2.0572	0.8143	0.9840
-1	-1	-	-	0.9843

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.4.1
• Transformers: 4.48.3
• PyTorch: 2.5.1
• Accelerate: 1.3.0
• Datasets: 3.3.0
• 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}
}