metadata

language:
  - en
license: apache-2.0
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:132020
  - loss:MultipleNegativesRankingLoss
base_model: pyrac/rse_gestion_durable
widget:
  - source_sentence: >-
      Les chemins extérieurs n'avaient pas de garde-corps pour sécuriser les
      déplacements.
    sentences:
      - >-
        Les mesures d'accessibilité pour les personnes handicapées sont bien
        respectées dans l'établissement
      - Cette chambre nous a vraiment déçus, rien n’était comme on l’espérait.
      - >-
        L'absence de barres d'appui rend cet hôtel moins pratique pour les
        personnes en situation de handicap
  - source_sentence: >-
      Les rampes étaient inclinées de façon inconfortable, limitant leur
      accessibilité.
    sentences:
      - >-
        La chambre PMR n’était pas adaptée à notre confort, on en est ressortis
        frustrés.
      - >-
        Les ascenseurs de l'hôtel sont trop petits pour un fauteuil roulant ce
        qui complique les déplacements
      - La sécurité est assurée avec un gardien présent.
  - source_sentence: L'absence d'indication en braille était regrettable.
    sentences:
      - Parking sécurisé avec gardien.
      - >-
        Il est difficile de trouver un restaurant accessible aux fauteuils
        roulants dans cette ville car beaucoup d'entre eux ont des escaliers
      - difficiles à parcourir en fauteuil roulant.
  - source_sentence: Il n'y avait aucun plan en braille pour les visiteurs malvoyants.
    sentences:
      - Bon rapport qualité-prix pour le stationnement.
      - Aucune signalétique tactile n'était présente dans les espaces communs.
      - >-
        Le théâtre est mal conçu pour les fauteuils roulants et il est difficile
        de trouver des places adaptées
  - source_sentence: >-
      L'absence de cheminement accessible a rendu la visite difficile pour ma
      famille.
    sentences:
      - >-
        Le lavabo était trop haut, ce qui le rendait inutilisable pour les
        personnes en fauteuil roulant.
      - >-
        Ce n’était pas du tout ce qu’on voulait, cette chambre a gâché notre
        séjour.
      - >-
        L'hôtel n'offre pas assez de chambres adaptées aux fauteuils roulants et
        il est difficile de réserver à la dernière minute
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: MPNet base trained on AllNLI triplets
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli dev
          type: all-nli-dev
        metrics:
          - type: cosine_accuracy
            value: 1
            name: Cosine Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: all nli test
          type: all-nli-test
        metrics:
          - type: cosine_accuracy
            value: 1
            name: Cosine Accuracy

MPNet base trained on AllNLI triplets

This is a sentence-transformers model finetuned from pyrac/rse_gestion_durable. 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: pyrac/rse_gestion_durable
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Language: en
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': 128, '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})
)

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("pyrac/rse_handicap")
# Run inference
sentences = [
    "L'absence de cheminement accessible a rendu la visite difficile pour ma famille.",
    "L'hôtel n'offre pas assez de chambres adaptées aux fauteuils roulants et il est difficile de réserver à la dernière minute",
    'Ce n’était pas du tout ce qu’on voulait, cette chambre a gâché notre séjour.',
]
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

Datasets: all-nli-dev and all-nli-test
Evaluated with TripletEvaluator

Metric	all-nli-dev	all-nli-test
cosine_accuracy	1.0	1.0

Training Details

Training Dataset

Unnamed Dataset

Size: 132,020 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 7 tokens mean: 20.24 tokens max: 52 tokens	min: 7 tokens mean: 23.96 tokens max: 52 tokens	min: 6 tokens mean: 19.23 tokens max: 31 tokens

Samples:

anchor	positive	negative
`Les panneaux d'indication manquaient de braille, ce qui pénalisait les malvoyants.`	`Hôtel bien situé et accessible mais l'absence de barres d'appui est un vrai point négatif`	`On a eu une chambre mal entretenue, rien ne fonctionnait comme il fallait.`
`Le cheminement extérieur n'était pas praticable pour les fauteuils roulants électriques.`	`Aucun confort dans cette chambre PMR, elle n'était absolument pas adaptée à nos besoins.`	`On a eu une chambre trop bruyante, c’était vraiment une mauvaise expérience.`
`Il n'y avait pas de signalisation concernant l'accessibilité pour les personnes à mobilité réduite`	`La chambre adaptée aux fauteuils roulants est spacieuse et permet de circuler sans aucune difficulté`	`Se retrouver dans cette chambre sans avoir rien demandé, ça a vraiment gâché notre séjour.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 16,502 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 7 tokens mean: 20.06 tokens max: 55 tokens	min: 7 tokens mean: 24.09 tokens max: 55 tokens	min: 6 tokens mean: 18.96 tokens max: 31 tokens

Samples:

anchor	positive	negative
`Le cheminement accessible était interrompu par des obstacles imprévus.`	`étaient inaccessibles depuis un fauteuil roulant.`	`On n’a pas du tout aimé la chambre, l’équipement était dépassé et inconfortable.`
`était bien adapté pour les fauteuils roulants.`	`On a été choqués de nous retrouver dans une chambre accessible pour handicapé, c’était inconfortable.`	`Cette chambre était en tout point décevante, ça ne correspondait pas du tout à ce qu’on avait espéré.`
`Leur sensibilisation sur le handicap auditif semblaient insuffisantes.`	`Le cheminement était bien signalé avec des panneaux visuels et tactiles.`	`On s’est retrouvés dans une chambre qu’on n’avait pas demandée, ça nous a déstabilisés.`

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
num_train_epochs: 1
warmup_ratio: 0.1
bf16: True
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: 5e-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: 1
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: 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: 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	all-nli-dev_cosine_accuracy	all-nli-test_cosine_accuracy
0.0485	100	4.6964	4.0874	1.0	-
0.0969	200	4.1044	4.0497	1.0	-
0.1454	300	4.0817	4.0305	1.0	-
0.1939	400	4.0734	4.0310	1.0	-
0.2424	500	4.0587	4.0209	1.0	-
0.2908	600	4.0625	4.0180	1.0	-
0.3393	700	4.053	4.0201	1.0	-
0.3878	800	4.0607	4.0116	1.0	-
0.4363	900	4.0511	4.0078	1.0	-
0.4847	1000	4.0433	4.0087	1.0	-
0.5332	1100	4.0385	4.0080	1.0	-
0.5817	1200	4.0413	4.0055	1.0	-
0.6302	1300	4.044	4.0016	1.0	-
0.6786	1400	4.0385	4.0010	1.0	-
0.7271	1500	4.037	3.9974	1.0	-
0.7756	1600	4.0364	3.9965	1.0	-
0.8240	1700	4.0337	3.9988	1.0	-
0.8725	1800	4.0362	3.9965	1.0	-
0.9210	1900	4.0293	3.9964	1.0	-
0.9695	2000	4.0317	3.9947	1.0	-
-1	-1	-	-	-	1.0

Framework Versions

Python: 3.12.3
Sentence Transformers: 3.4.1
Transformers: 4.48.3
PyTorch: 2.6.0+cu124
Accelerate: 1.3.0
Datasets: 3.2.0
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}
}