Add new SentenceTransformer model.

97bc8e2 verified about 1 month ago

46.9 kB

	---
	base_model: Alibaba-NLP/gte-multilingual-base
	datasets:
	- tarudesu/ViHealthQA
	language:
	- vi
	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
	- dot_accuracy@1
	- dot_accuracy@3
	- dot_accuracy@5
	- dot_accuracy@10
	- dot_precision@1
	- dot_precision@3
	- dot_precision@5
	- dot_precision@10
	- dot_recall@1
	- dot_recall@3
	- dot_recall@5
	- dot_recall@10
	- dot_ndcg@10
	- dot_mrr@10
	- dot_map@100
	pipeline_tag: sentence-similarity
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- generated_from_trainer
	- dataset_size:7009
	- loss:MultipleNegativesRankingLoss
	widget:
	- source_sentence: Hàng ngày, tôi uống thuốc huyết áp hỗ trợ điều trị viêm gan do
	gan nhiễm mỡ thì có thể tiêm vaccine Covid-19 được không? Nếu tiêm vaccine có
	phải ngưng uống thuốc gì không?
	sentences:
	- Nếu huyết áp sau điều trị ổn định ở mức huyết áp tối thiểu <90 mmHg và huyết áp
	tối đa <140 mmHg thì Anh/Chị có thể tiêm tại các cơ sở đủ điều kiện tiêm chủng.
	Nếu huyết áp của Anh/Chị ở mức cao hơn thì Anh/Chị cần tiêm vaccine tại bệnh viện
	hoặc cơ sở đủ năng lực hồi sức cấp cứu ban đầu theo quy định của Bộ Y tế. Đồng
	thời, khi tiêm vắc xin, Anh/Chị vẫn duy trì uống thuốc điều trị của mình và không
	cần ngưng thuốc.
	- Với tình trạng xét nghiệm của anh/chị thì bác sĩ có chẩn đoán là bệnh lý gì gây
	nên tình trạng xét nghiệm máu có các chỉ số cao hơn và thấp hơn so với bình thường
	không ạ? Anh/chị nên có kết quả chẩn đoán của bác sĩ khám bệnh để bác sĩ tư vấn
	có tiêm phòng được/tạm hoãn/chống chỉ định tiêm phòng vaccine Covid-19.
	- Những triệu chứng như bạn mô tả cũng thường xuất hiện ở người bị thiếu máu. Để
	chẩn đoán chính xác có bị thiếu máu hay không và mức độ thiếu máu, bạn chỉ cần
	xét nghiệm công thức máu. Xét nghiệm công thức máu cho kết quả nhanh, chi phí
	hợp lý và mọi cơ sở y tế đều có thể làm được. Bạn nên tới cơ sở y tế để xét nghiệm
	để rõ chẩn đoán.
	- source_sentence: Tổn thương dây chằng điều trị như thế nào?
	sentences:
	- Dấu hiệu ban đỏ tím xuất hiện dạng mạch máu ở chân, tăng về mùa đông có thể là
	triệu chứng của hội chứng Raynaud hoặc viêm mạch. Tuy nhiên, các triệu chứng mà
	bạn mô tả không rõ ràng và đặc hiệu cho bệnh cụ thể nào, vì vậy việc nhận định
	tổn thương da do nguyên nhân gì và lựa chọn phương pháp điều trị cần được dựa
	trên đánh giá của bác sỹ chuyên môn Dị ứng miễn dịch.
	- Đầu gối đứng lên ngồi xuống kêu lụp cụp và nặng dây chằng bên trong đầu gối phải.
	Bạn cần đến khám với bác sĩ chuyên khoa để kiểm tra đánh giá thực tế tình trạng
	tổn thương từ đó đưa ra hướng xử trí và tư vấn phù hợp nhất.
	- Chụp cộng hưởng từ (MRI) không chống chỉ định với lứa tuổi của bạn. Trước khi
	thực hiện chụp MRI, bệnh viện sẽ có những tư vấn an toàn cộng hưởng từ. Chống
	chỉ định MRI chủ yếu ở các bệnh nhân có cấy ghép các bộ phận kim loại.
	- source_sentence: Đã bị viêm gan B có thể tiêm phòng nữa không?
	sentences:
	- Viêm gan B là bệnh do virus HBV gây ra, nếu tình trạng nhiễm trở nên mãn tính
	thì điều quan trọng cần làm là ngăn chặn và giảm thiểu tổn hại cho gan. Nếu được
	điều trị đúng cách thì tiên lượng bệnh thường rất tốt. Tuy nhiên, không phải lúc
	nào cũng phải điều trị ngay bằng các thuốc kháng virus mà cần theo dõi và xét
	nghiệm đánh giá tình trạng gan cũng như cơ thể để việc điều trị đạt được hiệu
	quả cao nhất. Việc cần làm của bạn là nên theo dõi và khám gan định kỳ, hạn chế
	các gắng sức quá mức, bổ sung dinh dưỡng và hạn chế tiêu thụ các chất gây hại
	cho gan. Nhiều người thắc mắc bị viêm gan B có tiêm phòng được không, trên thực
	tế, nếu kết quả xét nghiệm đưa ra HBsAg dương tính đồng nghĩa với việc đã nhiễm
	virus viêm gan B thì việc tiêm ngừa sẽ không còn hiệu quả. Vắc-xin phòng viêm
	gan B chỉ có tác dụng với những người chưa từng mắc viêm gan B. Nếu người bệnh
	xét nghiệm máu phát hiện đang nhiễm virus viêm gan B (HBsAg dương tính) thì nên
	thực hiện tiếp các xét nghiệm chuyên sâu để theo dõi tình trạng và diễn biến của
	bệnh, không cần tiêm phòng vắc-xin.
	- Trường hợp bé rụng rốn nhưng chưa khô rốn bạn nên sát khuẩn cho bé bằng cồn trắng
	70 độ. Ngoài ra bạn nên chú ý vệ sinh rốn cho con sạch sẽ, tránh để rốn nhiễm
	trùng.
	- Bạn bị nhiễm Covid, đang cách ly tại nhà và có triệu chứng có đờm ở cổ họng, nghẹt
	mũi thì bạn bị nhiễm Covid 19 mức độ nhẹ. Điều trị cần dùng thuốc điều trị triệu
	chứng như súc họng bằng nước súc họng và uống thuốc long đờm, nhỏ thuốc nhỏ mũi
	2 - 3 lần/ ngày. Theo dõi nhiệt độ và tần số thở, spO2. Nếu thở nhanh hơn 20 lần/phút,
	spO2 giảm hơn 93% cần liên hệ y tế địa phương để được hướng dẫn đến bệnh viện
	theo dõi điều trị tiếp.
	- source_sentence: Có tiền sử bệnh thận nếu mang thai ảnh hưởng gì không?
	sentences:
	- Ông bạn đã 85 tuổi, bị tai biến mạch máu não thể nhồi máu não (có cục máu đông
	trong não) mới bị được 2 tuần nên việc điều trị còn nhiều rủi ro. Hiện giờ tốt
	nhất ngoài việc dùng thuốc tại bệnh viện (hoặc tại nhà) cần kết hợp tập phục hồi
	chức năng, hạn chế các yếu tố nguy cơ để tránh bị trở lại. Đây là việc làm đòi
	hỏi sự kết hợp cả bác sĩ, bệnh nhân và sự hỗ trợ của người nhà. Sự kiên trì, động
	viên khích lệ để bệnh nhân chịu khó tập luyện thì mới có thể thành công.
	- Vợ bạn có tiền sử viêm cầu thận và đã khỏi cách đây 16 năm tuy nhiên sau khi khỏi
	không biết có định kỳ khám kiểm tra chức năng thận và phân tích nước tiểu không.
	Các trường hợp tổn thương thận mạn tính (bệnh thận mạn) đôi khi chỉ thể hiện thay
	đổi ở phân tích nước tiểu mà không có triệu chứng lâm sàng. Các trường hợp bệnh
	thận mạn tính này thường sẽ nặng lên hoặc thể hiện rõ hơn khi mang thai. Trường
	hợp của vợ bạn nên được theo dõi bởi chuyên khoa thận trong suốt quá trình mang
	thai và cả sau sinh nữa.
	- Việc đang mang thai khiến cho bà mẹ có nguy cơ mắc Covid-19 cao nếu phơi nhiễm
	với virus SARS-CoV-2. Sau khi tiêm vaccine Covid-19, ngoài việc theo dõi các phản
	ứng của vaccine, cơ thể cần 2-3 tuần để đáp ứng với vaccine sinh được kháng thể
	miễn dịch. Theo hướng dẫn mới nhất của Bộ Y tế phụ nữ đang mang thai cần hoãn
	tiêm trong đợt này. Do đó tùy theo kế hoạch dự định của chị, chị có thể chủ động
	cân nhắc lợi ích và nguy cơ. Nếu hoãn lại việc mang thai thì chị nên hoàn thành
	phác đồ tiêm chủng vaccine Covid-19 AstraZeneca gồm 2 mũi trước khi mang thai
	ít nhất một tháng.
	- source_sentence: Tăng bạch cầu có ảnh hưởng gì tới viêm lợi không?
	sentences:
	- Bé nhà bạn ngoài hay bị nhiệt, viêm lợi ra thì còn có vấn đề sức khỏe nào khác
	không?Cháu đã uống thuốc gì để điều trị nhiệt, viêm lợi ?Bạch cầu của cháu tăng
	có thể do nhiều nguyên nhân, thường gặp là do viêm nhiễm hoặc do dùng một số loại
	thuốc. Bạn nên đưa bé đến khám để được chẩn đoán tốt hơn.
	- Bạch cầu mono là một loại bạch cầu có chức năng bảo vệ cơ thể thông qua cơ chế
	thực bào. Khoảng tham chiếu ở bệnh viện đa khoa quốc tế Vinmec Times City là 0,3-0,9G/L.
	Trong kết quả xét nghiệm bạch cầu mono 2,2 của em chưa rõ đơn vị tính là G/L hay
	% nên bác sĩ không tư vấn rõ hơn cho em được, em tự đối chiếu nhé.
	- Điều trị phẫu thuật và làm xét nghiệm mô bệnh học là phương pháp điều trị các
	khối u tuyến nước bọt tốt nhất. Phẫu thuật khối u tuyến nước bọt mang tai phụ
	thuộc vào loại, kích thước, tính chất khối u. Theo đó, phẫu thuật có thể tiến
	hành loại bỏ một phần hoặc loại bỏ toàn bộ tuyến nước bọt và có hoặc không kèm
	theo loại bỏ các hạch bạch huyết, dây thần kinh có liên quan.Bên cạnh đó còn có
	phương pháp phẫu thuật tái tạo, nghĩa là sau khi phẫu thuật để loại bỏ khối u,
	bác sĩ có thể đề nghị phẫu thuật tái tạo để sửa chữa khu vực. Trong quá trình
	phẫu thuật tái tạo, bác sĩ phẫu thuật làm việc để sửa chữa cải thiện khả năng
	nhai, nuốt, nói hoặc thở, có thể cần ghép da, mô hoặc dây thần kinh từ các bộ
	phận khác của cơ thể để xây dựng lại các khu vực trong miệng, cổ họng hoặc hàm
	của bệnh nhân.Vì không có thông tin về chẩn đoán của em trước mổ, tính chất (mềm
	hay cứng, đau hay không đau, có xâm lấn hay không...) và kích thước khối u, phương
	pháp phẫu thuật, thời gian phẫu thuật bao lâu rồi, em đã thăm khám lại với bác
	sĩ mổ cho mình hay chưa. Nên chưa thể kết luận liệt dây thần kinh 9,10 sau mổ
	u tuyến nước bọt có khả năng phục hồi khôngTuy nhiên, bác sĩ có một vài lời khuyên
	dành cho em:Tái khám đúng lịch để theo dõi tiến triển của khối u cũng như khả
	năng tái phát của khối u sau điều trị. Đồng thời bác sĩ sẽ đánh giá mức độ tổn
	thương thần kinh, kết hợp khám chuyên khoa Vật lý trị liệu- Phục hồi chức năng
	để tập luyện chức năng nói, nuốt.Xét nghiệm thường xuyên theo chỉ định của bác
	sĩBổ sung dinh dưỡng và uống nhiều nước.
	model-index:
	- name: SentenceTransformer based on Alibaba-NLP/gte-multilingual-base
	results:
	- task:
	type: information-retrieval
	name: Information Retrieval
	dataset:
	name: healthcare dev
	type: healthcare-dev
	metrics:
	- type: cosine_accuracy@1
	value: 0.6283987915407855
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.7824773413897281
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.8318227593152064
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.8882175226586103
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.6283987915407855
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.2608257804632427
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.16636455186304128
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.08882175226586105
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.6283987915407855
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.7824773413897281
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.8318227593152064
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.8882175226586103
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.7575658777946831
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.7157183618663984
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.7207509988864388
	name: Cosine Map@100
	- type: dot_accuracy@1
	value: 0.6283987915407855
	name: Dot Accuracy@1
	- type: dot_accuracy@3
	value: 0.7824773413897281
	name: Dot Accuracy@3
	- type: dot_accuracy@5
	value: 0.8318227593152064
	name: Dot Accuracy@5
	- type: dot_accuracy@10
	value: 0.8882175226586103
	name: Dot Accuracy@10
	- type: dot_precision@1
	value: 0.6283987915407855
	name: Dot Precision@1
	- type: dot_precision@3
	value: 0.2608257804632427
	name: Dot Precision@3
	- type: dot_precision@5
	value: 0.16636455186304128
	name: Dot Precision@5
	- type: dot_precision@10
	value: 0.08882175226586105
	name: Dot Precision@10
	- type: dot_recall@1
	value: 0.6283987915407855
	name: Dot Recall@1
	- type: dot_recall@3
	value: 0.7824773413897281
	name: Dot Recall@3
	- type: dot_recall@5
	value: 0.8318227593152064
	name: Dot Recall@5
	- type: dot_recall@10
	value: 0.8882175226586103
	name: Dot Recall@10
	- type: dot_ndcg@10
	value: 0.7575658777946831
	name: Dot Ndcg@10
	- type: dot_mrr@10
	value: 0.7157183618663984
	name: Dot Mrr@10
	- type: dot_map@100
	value: 0.7207509988864388
	name: Dot Map@100
	- type: cosine_accuracy@1
	value: 0.5946348733233979
	name: Cosine Accuracy@1
	- type: cosine_accuracy@3
	value: 0.7486338797814208
	name: Cosine Accuracy@3
	- type: cosine_accuracy@5
	value: 0.8002980625931445
	name: Cosine Accuracy@5
	- type: cosine_accuracy@10
	value: 0.8584202682563339
	name: Cosine Accuracy@10
	- type: cosine_precision@1
	value: 0.5946348733233979
	name: Cosine Precision@1
	- type: cosine_precision@3
	value: 0.2495446265938069
	name: Cosine Precision@3
	- type: cosine_precision@5
	value: 0.16005961251862894
	name: Cosine Precision@5
	- type: cosine_precision@10
	value: 0.08584202682563338
	name: Cosine Precision@10
	- type: cosine_recall@1
	value: 0.5946348733233979
	name: Cosine Recall@1
	- type: cosine_recall@3
	value: 0.7486338797814208
	name: Cosine Recall@3
	- type: cosine_recall@5
	value: 0.8002980625931445
	name: Cosine Recall@5
	- type: cosine_recall@10
	value: 0.8584202682563339
	name: Cosine Recall@10
	- type: cosine_ndcg@10
	value: 0.7259573511690848
	name: Cosine Ndcg@10
	- type: cosine_mrr@10
	value: 0.6836451951206047
	name: Cosine Mrr@10
	- type: cosine_map@100
	value: 0.6887123590381591
	name: Cosine Map@100
	- type: dot_accuracy@1
	value: 0.5946348733233979
	name: Dot Accuracy@1
	- type: dot_accuracy@3
	value: 0.7486338797814208
	name: Dot Accuracy@3
	- type: dot_accuracy@5
	value: 0.8002980625931445
	name: Dot Accuracy@5
	- type: dot_accuracy@10
	value: 0.8584202682563339
	name: Dot Accuracy@10
	- type: dot_precision@1
	value: 0.5946348733233979
	name: Dot Precision@1
	- type: dot_precision@3
	value: 0.2495446265938069
	name: Dot Precision@3
	- type: dot_precision@5
	value: 0.16005961251862894
	name: Dot Precision@5
	- type: dot_precision@10
	value: 0.08584202682563338
	name: Dot Precision@10
	- type: dot_recall@1
	value: 0.5946348733233979
	name: Dot Recall@1
	- type: dot_recall@3
	value: 0.7486338797814208
	name: Dot Recall@3
	- type: dot_recall@5
	value: 0.8002980625931445
	name: Dot Recall@5
	- type: dot_recall@10
	value: 0.8584202682563339
	name: Dot Recall@10
	- type: dot_ndcg@10
	value: 0.7259573511690848
	name: Dot Ndcg@10
	- type: dot_mrr@10
	value: 0.6836451951206047
	name: Dot Mrr@10
	- type: dot_map@100
	value: 0.6887123590381591
	name: Dot Map@100
	---

	# SentenceTransformer based on Alibaba-NLP/gte-multilingual-base

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) on the [vi_health_qa](https://huggingface.co/datasets/tarudesu/ViHealthQA) 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: [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) <!-- at revision f7d567e1f2493bb0df9413965d144de9f15e7bab -->
	- Maximum Sequence Length: 8192 tokens
	- Output Dimensionality: 768 tokens
	- Similarity Function: Cosine Similarity
	- Training Dataset:
	- [vi_health_qa](https://huggingface.co/datasets/tarudesu/ViHealthQA)
	- Language: vi
	<!-- - 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': 8192, 'do_lower_case': False}) with Transformer model: NewModel
	(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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:

	```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("multilingual-e5-base-finetuned")
	# Run inference
	sentences = [
	'Tăng bạch cầu có ảnh hưởng gì tới viêm lợi không?',
	'Bé nhà bạn ngoài hay bị nhiệt, viêm lợi ra thì còn có vấn đề sức khỏe nào khác không?Cháu đã uống thuốc gì để điều trị nhiệt, viêm lợi ?Bạch cầu của cháu tăng có thể do nhiều nguyên nhân, thường gặp là do viêm nhiễm hoặc do dùng một số loại thuốc. Bạn nên đưa bé đến khám để được chẩn đoán tốt hơn.',
	'Điều trị phẫu thuật và làm xét nghiệm mô bệnh học là phương pháp điều trị các khối u tuyến nước bọt tốt nhất. Phẫu thuật khối u tuyến nước bọt mang tai phụ thuộc vào loại, kích thước, tính chất khối u. Theo đó, phẫu thuật có thể tiến hành loại bỏ một phần hoặc loại bỏ toàn bộ tuyến nước bọt và có hoặc không kèm theo loại bỏ các hạch bạch huyết, dây thần kinh có liên quan.Bên cạnh đó còn có phương pháp phẫu thuật tái tạo, nghĩa là sau khi phẫu thuật để loại bỏ khối u, bác sĩ có thể đề nghị phẫu thuật tái tạo để sửa chữa khu vực. Trong quá trình phẫu thuật tái tạo, bác sĩ phẫu thuật làm việc để sửa chữa cải thiện khả năng nhai, nuốt, nói hoặc thở, có thể cần ghép da, mô hoặc dây thần kinh từ các bộ phận khác của cơ thể để xây dựng lại các khu vực trong miệng, cổ họng hoặc hàm của bệnh nhân.Vì không có thông tin về chẩn đoán của em trước mổ, tính chất (mềm hay cứng, đau hay không đau, có xâm lấn hay không...) và kích thước khối u, phương pháp phẫu thuật, thời gian phẫu thuật bao lâu rồi, em đã thăm khám lại với bác sĩ mổ cho mình hay chưa. Nên chưa thể kết luận liệt dây thần kinh 9,10 sau mổ u tuyến nước bọt có khả năng phục hồi khôngTuy nhiên, bác sĩ có một vài lời khuyên dành cho em:Tái khám đúng lịch để theo dõi tiến triển của khối u cũng như khả năng tái phát của khối u sau điều trị. Đồng thời bác sĩ sẽ đánh giá mức độ tổn thương thần kinh, kết hợp khám chuyên khoa Vật lý trị liệu- Phục hồi chức năng để tập luyện chức năng nói, nuốt.Xét nghiệm thường xuyên theo chỉ định của bác sĩBổ sung dinh dưỡng và uống nhiều nước.',
	]
	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
	* Dataset: `healthcare-dev`
	* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

	\| Metric \| Value \|
	\|:--------------------\|:-----------\|
	\| cosine_accuracy@1 \| 0.6284 \|
	\| cosine_accuracy@3 \| 0.7825 \|
	\| cosine_accuracy@5 \| 0.8318 \|
	\| cosine_accuracy@10 \| 0.8882 \|
	\| cosine_precision@1 \| 0.6284 \|
	\| cosine_precision@3 \| 0.2608 \|
	\| cosine_precision@5 \| 0.1664 \|
	\| cosine_precision@10 \| 0.0888 \|
	\| cosine_recall@1 \| 0.6284 \|
	\| cosine_recall@3 \| 0.7825 \|
	\| cosine_recall@5 \| 0.8318 \|
	\| cosine_recall@10 \| 0.8882 \|
	\| cosine_ndcg@10 \| 0.7576 \|
	\| cosine_mrr@10 \| 0.7157 \|
	\| cosine_map@100 \| 0.7208 \|
	\| dot_accuracy@1 \| 0.6284 \|
	\| dot_accuracy@3 \| 0.7825 \|
	\| dot_accuracy@5 \| 0.8318 \|
	\| dot_accuracy@10 \| 0.8882 \|
	\| dot_precision@1 \| 0.6284 \|
	\| dot_precision@3 \| 0.2608 \|
	\| dot_precision@5 \| 0.1664 \|
	\| dot_precision@10 \| 0.0888 \|
	\| dot_recall@1 \| 0.6284 \|
	\| dot_recall@3 \| 0.7825 \|
	\| dot_recall@5 \| 0.8318 \|
	\| dot_recall@10 \| 0.8882 \|
	\| dot_ndcg@10 \| 0.7576 \|
	\| dot_mrr@10 \| 0.7157 \|
	\| dot_map@100 \| 0.7208 \|

	#### Information Retrieval
	* Dataset: `healthcare-dev`
	* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)

	\| Metric \| Value \|
	\|:--------------------\|:-----------\|
	\| cosine_accuracy@1 \| 0.5946 \|
	\| cosine_accuracy@3 \| 0.7486 \|
	\| cosine_accuracy@5 \| 0.8003 \|
	\| cosine_accuracy@10 \| 0.8584 \|
	\| cosine_precision@1 \| 0.5946 \|
	\| cosine_precision@3 \| 0.2495 \|
	\| cosine_precision@5 \| 0.1601 \|
	\| cosine_precision@10 \| 0.0858 \|
	\| cosine_recall@1 \| 0.5946 \|
	\| cosine_recall@3 \| 0.7486 \|
	\| cosine_recall@5 \| 0.8003 \|
	\| cosine_recall@10 \| 0.8584 \|
	\| cosine_ndcg@10 \| 0.726 \|
	\| cosine_mrr@10 \| 0.6836 \|
	\| cosine_map@100 \| 0.6887 \|
	\| dot_accuracy@1 \| 0.5946 \|
	\| dot_accuracy@3 \| 0.7486 \|
	\| dot_accuracy@5 \| 0.8003 \|
	\| dot_accuracy@10 \| 0.8584 \|
	\| dot_precision@1 \| 0.5946 \|
	\| dot_precision@3 \| 0.2495 \|
	\| dot_precision@5 \| 0.1601 \|
	\| dot_precision@10 \| 0.0858 \|
	\| dot_recall@1 \| 0.5946 \|
	\| dot_recall@3 \| 0.7486 \|
	\| dot_recall@5 \| 0.8003 \|
	\| dot_recall@10 \| 0.8584 \|
	\| dot_ndcg@10 \| 0.726 \|
	\| dot_mrr@10 \| 0.6836 \|
	\| dot_map@100 \| 0.6887 \|

	<!--
	## 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

	#### vi_health_qa

	* Dataset: [vi_health_qa](https://huggingface.co/datasets/tarudesu/ViHealthQA) at [d90a62d](https://huggingface.co/datasets/tarudesu/ViHealthQA/tree/d90a62deedfc822a15de3f35535bb41474e4d3f4)
	* Size: 7,009 training samples
	* Columns: <code>question</code> and <code>answer</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| question \| answer \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 8 tokens</li><li>mean: 30.36 tokens</li><li>max: 325 tokens</li></ul> \| <ul><li>min: 12 tokens</li><li>mean: 131.93 tokens</li><li>max: 1249 tokens</li></ul> \|
	* Samples:
	\| question \| answer \|
	\|:------------------------------------------------------------------------------------------------------------------------\|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>Đang chích ngừa viêm gan B có chích ngừa Covid-19 được không?</code> \| <code>Nếu anh/chị đang tiêm ngừa vaccine phòng bệnh viêm gan B, anh/chị vẫn có thể tiêm phòng vaccine phòng Covid-19, tuy nhiên vaccine Covid-19 phải được tiêm cách trước và sau mũi vaccine viêm gan B tối thiểu là 14 ngày.</code> \|
	\| <code>Đau đầu, căng thẳng do công việc, suy giảm trí nhớ khoảng gần một năm phải làm sao?</code> \| <code>Tình trạng đau đầu theo bạn mô tả thì chưa rõ. Vì thế, bác sĩ khuyến khích bạn đến cơ sở y tế hoặc bệnh viện thuộc Hệ thống Y tế Vinmec để khám chuyên khoa Thần kinh. Nếu đau đầu thông thường thì cần nghỉ ngơi thư giãn sẽ đỡ, còn nếu có những yếu tố khác thì cần phải khám kỹ, xét nghiệm cận lâm sàng để chẩn đoán chính xác hơn và có hướng điều trị phù hợp.</code> \|
	\| <code>Đặt lưu lượng khí hệ thống Jackson-Rees thấp hơn quy định khi sử dụng gây mê cho trẻ em sẽ gây hậu quả gì?</code> \| <code>Hệ thống Jackson – Rees dùng khi gây mê để tránh hít lại khí thở ra cần đặt lưu lượng khí mới gấp 2 – 2,5 lần thông khí phút của bệnh nhân. Nếu cài đặt thấp hơn mức này sẽ gây ra hiện tượng ưu thán hay còn gọi là thừa khí CO2 biểu hiện kích thích vã mồ hôi, tăng huyết áp, nguy hiểm hơn là bệnh nhân tím tái, trụy tim mạch, thậm chí là tử vong.Nếu còn thắc mắc, bạn có thể liên hệ hoặc đến trực tiếp một trong các bệnh viện thuộc Hệ thống Y tế Vinmec trên toàn quốc để được bác sĩ chuyên môn tư vấn cụ thể hơn.Cảm ơn bạn đã tin tưởng và đặt câu hỏi tới Vinmec. Trân trọng!</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

	#### vi_health_qa

	* Dataset: [vi_health_qa](https://huggingface.co/datasets/tarudesu/ViHealthQA) at [d90a62d](https://huggingface.co/datasets/tarudesu/ViHealthQA/tree/d90a62deedfc822a15de3f35535bb41474e4d3f4)
	* Size: 993 evaluation samples
	* Columns: <code>question</code> and <code>answer</code>
	* Approximate statistics based on the first 993 samples:
	\| \| question \| answer \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------\|
	\| type \| string \| string \|
	\| details \| <ul><li>min: 9 tokens</li><li>mean: 30.03 tokens</li><li>max: 267 tokens</li></ul> \| <ul><li>min: 13 tokens</li><li>mean: 133.86 tokens</li><li>max: 1103 tokens</li></ul> \|
	* Samples:
	\| question \| answer \|
	\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|
	\| <code>Em nghe nói kích trứng nhiều lần sẽ làm rối loạn nội tiết và tăng khả năng ung thư buồng trứng có phải không? Vì em có dự trữ buồng trứng rất thấp, được chỉ định gom trứng nên nghe thông tin trên em rất lo lắng.</code> \| <code>Theo thông tin chị cung cấp thì chưa đủ dữ liệu để kết luận là kích trứng gây rối loạn nội tiết hay ung thư, tuy nhiên những điều này vẫn có thể ảnh hưởng về sau.</code> \|
	\| <code>Tại sao tỷ lệ dịch chuyển tinh trùng thấp?</code> \| <code> Nguyên nhân dẫn đến tỷ lệ dịch chuyển tinh trùng thấp là do tinh trùng tổn thương đuôi, tinh trùng không hoạt động, tinh trùng chết. Bạn nên thăm khám bác sĩ chuyên khoa và có phương pháp điều trị thích hợp, tránh ảnh hưởng đến khả năng sinh sản. Nếu được bạn nên giảm thức đêm. Thức đêm cũng là nguyên nhân ảnh hưởng đến chất lượng và số lượng tinh trùng. Ngoài ra, bạn cần ăn uống các loại thực phẩm tươi sạch bổ dưỡng, cần bỏ rượu, thuốc lá và các chất kích thích khác như rượu, cần sa, amphetamin... nếu hai vợ chồng đang cố gắng thụ thai. Ngoài ra, cần tập luyện thể dục đều đặn để nâng cao thể lực, duy trì cân nặng ở mức phù hợp, giảm cân nếu đang thừa cân và hạn chế tiếp xúc với điện thoại di động.</code> \|
	\| <code>Ngồi dậy hay nằm xuống đều bị chóng mặt có phải bị tổn thương dây thần kinh do phẫu thuật không?</code> \| <code>Xương đòn khi mổ rất lâu liền xương, 3 tuần chưa thể có cal xương dù là cal non, Để đánh giá có tổn thương thần kinh hay không cần khám về lâm sàng, bạn có thể đến khám tại bệnh viện thuộc Hệ thống Y tế Vinmec trên toàn quốc để bác sĩ tư vấn rõ hơn và đưa ra hướng điều trị phù hợp nhất.</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`: steps
	- `per_device_train_batch_size`: 6
	- `per_device_eval_batch_size`: 6
	- `learning_rate`: 3.0692519709098972e-06
	- `num_train_epochs`: 4
	- `warmup_ratio`: 0.04970511867965379
	- `fp16`: True
	- `batch_sampler`: no_duplicates

	#### All Hyperparameters
	<details><summary>Click to expand</summary>

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: steps
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 6
	- `per_device_eval_batch_size`: 6
	- `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`: 3.0692519709098972e-06
	- `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`: linear
	- `lr_scheduler_kwargs`: {}
	- `warmup_ratio`: 0.04970511867965379
	- `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`: True
	- `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`: False
	- `hub_always_push`: False
	- `gradient_checkpointing`: False
	- `gradient_checkpointing_kwargs`: None
	- `include_inputs_for_metrics`: False
	- `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
	- `eval_use_gather_object`: False
	- `batch_sampler`: no_duplicates
	- `multi_dataset_batch_sampler`: proportional

	</details>

	### Training Logs
	\| Epoch \| Step \| Training Loss \| loss \| healthcare-dev_cosine_map@100 \|
	\|:------:\|:----:\|:-------------:\|:------:\|:-----------------------------:\|
	\| 0 \| 0 \| - \| - \| 0.6555 \|
	\| 0.0855 \| 100 \| 0.1744 \| 0.1599 \| 0.6672 \|
	\| 0.1711 \| 200 \| 0.1618 \| 0.1178 \| 0.6927 \|
	\| 0.2566 \| 300 \| 0.1219 \| 0.0920 \| 0.7032 \|
	\| 0.3422 \| 400 \| 0.0778 \| 0.0807 \| 0.7083 \|
	\| 0.4277 \| 500 \| 0.0993 \| 0.0739 \| 0.7106 \|
	\| 0.5133 \| 600 \| 0.0821 \| 0.0695 \| 0.7149 \|
	\| 0.5988 \| 700 \| 0.0632 \| 0.0685 \| 0.7125 \|
	\| 0.6843 \| 800 \| 0.0653 \| 0.0669 \| 0.7129 \|
	\| 0.7699 \| 900 \| 0.0962 \| 0.0655 \| 0.7185 \|
	\| 0.8554 \| 1000 \| 0.0395 \| 0.0648 \| 0.7170 \|
	\| 0.9410 \| 1100 \| 0.0784 \| 0.0628 \| 0.7154 \|
	\| 1.0265 \| 1200 \| 0.0791 \| 0.0627 \| 0.7180 \|
	\| 1.1121 \| 1300 \| 0.063 \| 0.0618 \| 0.7179 \|
	\| 1.1976 \| 1400 \| 0.0811 \| 0.0606 \| 0.7163 \|
	\| 1.2831 \| 1500 \| 0.0425 \| 0.0610 \| 0.7179 \|
	\| 1.3687 \| 1600 \| 0.028 \| 0.0603 \| 0.7205 \|
	\| 1.4542 \| 1700 \| 0.0761 \| 0.0596 \| 0.7202 \|
	\| 1.5398 \| 1800 \| 0.0419 \| 0.0591 \| 0.7190 \|
	\| 1.6253 \| 1900 \| 0.0394 \| 0.0589 \| 0.7214 \|
	\| 1.7109 \| 2000 \| 0.0623 \| 0.0593 \| 0.7235 \|
	\| 1.7964 \| 2100 \| 0.0683 \| 0.0594 \| 0.7214 \|
	\| 1.8820 \| 2200 \| 0.0316 \| 0.0590 \| 0.7212 \|
	\| 1.9675 \| 2300 \| 0.0681 \| 0.0579 \| 0.7246 \|
	\| 2.0530 \| 2400 \| 0.0366 \| 0.0579 \| 0.7243 \|
	\| 2.1386 \| 2500 \| 0.0315 \| 0.0579 \| 0.7247 \|
	\| 2.2241 \| 2600 \| 0.0633 \| 0.0578 \| 0.7247 \|
	\| 2.3097 \| 2700 \| 0.0278 \| 0.0580 \| 0.7247 \|
	\| 2.3952 \| 2800 \| 0.029 \| 0.0582 \| 0.7236 \|
	\| 2.4808 \| 2900 \| 0.0472 \| 0.0577 \| 0.7206 \|
	\| 2.5663 \| 3000 \| 0.0307 \| 0.0575 \| 0.7208 \|
	\| 2.6518 \| 3100 \| 0.0248 \| 0.0574 \| 0.7198 \|
	\| 2.7374 \| 3200 \| 0.0504 \| 0.0575 \| 0.7195 \|
	\| 2.8229 \| 3300 \| 0.0259 \| 0.0574 \| 0.7208 \|
	\| 2.9085 \| 3400 \| 0.0288 \| 0.0570 \| 0.7214 \|
	\| 2.9940 \| 3500 \| 0.0595 \| 0.0566 \| 0.7233 \|
	\| 3.0796 \| 3600 \| 0.0372 \| 0.0562 \| 0.7212 \|
	\| 3.1651 \| 3700 \| 0.0334 \| 0.0563 \| 0.7218 \|
	\| 3.2506 \| 3800 \| 0.0384 \| 0.0563 \| 0.7210 \|
	\| 3.3362 \| 3900 \| 0.0178 \| 0.0564 \| 0.7200 \|
	\| 3.4217 \| 4000 \| 0.0313 \| 0.0564 \| 0.7201 \|
	\| 3.5073 \| 4100 \| 0.0447 \| 0.0562 \| 0.7197 \|
	\| 3.5928 \| 4200 \| 0.0281 \| 0.0562 \| 0.7199 \|
	\| 3.6784 \| 4300 \| 0.02 \| 0.0563 \| 0.7199 \|
	\| 3.7639 \| 4400 \| 0.0535 \| 0.0562 \| 0.7212 \|
	\| 3.8494 \| 4500 \| 0.017 \| 0.0562 \| 0.7207 \|
	\| 3.9350 \| 4600 \| 0.0353 \| 0.0562 \| 0.7208 \|
	\| 4.0 \| 4676 \| - \| - \| 0.6887 \|


	### Framework Versions
	- Python: 3.10.12
	- Sentence Transformers: 3.1.0
	- Transformers: 4.44.2
	- PyTorch: 2.4.0+cu121
	- Accelerate: 0.34.2
	- Datasets: 3.0.0
	- Tokenizers: 0.19.1

	## 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.
	-->