2bs32lr2 / README.md
cassador's picture
Add new SentenceTransformer model.
3322423 verified
metadata
base_model: indobenchmark/indobert-base-p2
datasets:
  - afaji/indonli
language:
  - id
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
  - pearson_manhattan
  - spearman_manhattan
  - pearson_euclidean
  - spearman_euclidean
  - pearson_dot
  - spearman_dot
  - pearson_max
  - spearman_max
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:6915
  - loss:SoftmaxLoss
widget:
  - source_sentence: >-
      Pesta Olahraga Asia Tenggara atau Southeast Asian Games, biasa disingkat
      SEA Games, adalah ajang olahraga yang diadakan setiap dua tahun dan
      melibatkan 11 negara Asia Tenggara.
    sentences:
      - Sekarang tahun 2017.
      - >-
        Warna kulit tidak mempengaruhi waktu berjemur yang baik untuk
        mengatifkan pro-vitamin D3.
      - Pesta Olahraga Asia Tenggara diadakan setiap tahun.
  - source_sentence: Menjalani aktivitas Ramadhan di tengah wabah Corona tentunya tidak mudah.
    sentences:
      - Tidak ada observasi yang pernah dilansir oleh Business Insider.
      - Wabah Corona membuat aktivitas Ramadhan tidak mudah dijalani.
      - Piala Sudirman pertama digelar pada tahun 1989.
  - source_sentence: >-
      Dalam bidang politik, partai ini memperjuangkan agar kekuasaan sepenuhnya
      berada di tangan rakyat.
    sentences:
      - Galileo tidak berhasil mengetes hasil dari Hukum Inert.
      - Kudeta 14 Februari 1946 gagal merebut kekuasaan Belanda.
      - Partai ini berusaha agar kekuasaan sepenuhnya berada di tangan rakyat.
  - source_sentence: >-
      Keluarga mendiang Prince menuduh layanan musik streaming Tidal memasukkan
      karya milik sang penyanyi legendaris tanpa izin .
    sentences:
      - Rosier adalah pelayan setia Lord Voldemort.
      - Bangunan ini digunakan untuk penjualan.
      - >-
        Keluarga mendiang Prince sudah memberi izin kepada TImbal untuk
        menggunakan lagu milik Prince.
  - source_sentence: >-
      Tujuan dari acara dengar pendapat CRTC adalah untuk mengumpulkan respons
      dari pada pemangku kepentingan industri ini dan dari masyarakat umum.
    sentences:
      - Pembuat Rooms hanya bisa membuat meeting yang terbuka.
      - >-
        Masyarakat umum dilibatkan untuk memberikan respon dalam acara dengar
        pendapat CRTC.
      - Eminem dirasa tidak akan memulai kembali kariernya tahun ini.
model-index:
  - name: SentenceTransformer based on indobenchmark/indobert-base-p2
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts dev
          type: sts-dev
        metrics:
          - type: pearson_cosine
            value: 0.5829898836235055
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.5604880880211627
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.5703534992812126
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.5499989364166947
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.5753323630988341
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.552442969754755
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.5620113473718095
            name: Pearson Dot
          - type: spearman_dot
            value: 0.5624324325309726
            name: Spearman Dot
          - type: pearson_max
            value: 0.5829898836235055
            name: Pearson Max
          - type: spearman_max
            value: 0.5624324325309726
            name: Spearman Max
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: sts test
          type: sts-test
        metrics:
          - type: pearson_cosine
            value: 0.27661444766220145
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.25397061268923804
            name: Spearman Cosine
          - type: pearson_manhattan
            value: 0.22893950626786405
            name: Pearson Manhattan
          - type: spearman_manhattan
            value: 0.2295445814901059
            name: Spearman Manhattan
          - type: pearson_euclidean
            value: 0.23773763148887356
            name: Pearson Euclidean
          - type: spearman_euclidean
            value: 0.23225044424139019
            name: Spearman Euclidean
          - type: pearson_dot
            value: 0.2930559400528471
            name: Pearson Dot
          - type: spearman_dot
            value: 0.28163535345836893
            name: Spearman Dot
          - type: pearson_max
            value: 0.2930559400528471
            name: Pearson Max
          - type: spearman_max
            value: 0.28163535345836893
            name: Spearman Max

SentenceTransformer based on indobenchmark/indobert-base-p2

This is a sentence-transformers model finetuned from indobenchmark/indobert-base-p2 on the afaji/indonli 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: indobenchmark/indobert-base-p2
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 tokens
  • Similarity Function: Cosine Similarity
  • Training Dataset:
  • Language: id

Model Sources

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:

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("cassador/2bs32lr2")
# Run inference
sentences = [
    'Tujuan dari acara dengar pendapat CRTC adalah untuk mengumpulkan respons dari pada pemangku kepentingan industri ini dan dari masyarakat umum.',
    'Masyarakat umum dilibatkan untuk memberikan respon dalam acara dengar pendapat CRTC.',
    'Pembuat Rooms hanya bisa membuat meeting yang terbuka.',
]
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

Semantic Similarity

Metric Value
pearson_cosine 0.583
spearman_cosine 0.5605
pearson_manhattan 0.5704
spearman_manhattan 0.55
pearson_euclidean 0.5753
spearman_euclidean 0.5524
pearson_dot 0.562
spearman_dot 0.5624
pearson_max 0.583
spearman_max 0.5624

Semantic Similarity

Metric Value
pearson_cosine 0.2766
spearman_cosine 0.254
pearson_manhattan 0.2289
spearman_manhattan 0.2295
pearson_euclidean 0.2377
spearman_euclidean 0.2323
pearson_dot 0.2931
spearman_dot 0.2816
pearson_max 0.2931
spearman_max 0.2816

Training Details

Training Dataset

afaji/indonli

  • Dataset: afaji/indonli
  • Size: 6,915 training samples
  • Columns: premise, hypothesis, and label
  • Approximate statistics based on the first 1000 samples:
    premise hypothesis label
    type string string int
    details
    • min: 12 tokens
    • mean: 29.26 tokens
    • max: 135 tokens
    • min: 6 tokens
    • mean: 12.13 tokens
    • max: 36 tokens
    • 0: ~51.00%
    • 1: ~49.00%
  • Samples:
    premise hypothesis label
    Presiden Joko Widodo (Jokowi) menyampaikan prediksi bahwa wabah virus Corona (COVID-19) di Indonesia akan selesai akhir tahun ini. Prediksi akhir wabah tidak disampaikan Jokowi. 0
    Meski biasanya hanya digunakan di fasilitas kesehatan, saat ini masker dan sarung tangan sekali pakai banyak dipakai di tingkat rumah tangga. Masker sekali pakai banyak dipakai di tingkat rumah tangga. 1
    Seperti namanya, paket internet sahur Telkomsel ini ditujukan bagi pengguna yang menginginkan kuota ekstra, untuk menemani momen sahur sepanjang bulan puasa. Paket internet sahur tidak ditujukan untuk saat sahur. 0
  • Loss: SoftmaxLoss

Evaluation Dataset

afaji/indonli

  • Dataset: afaji/indonli
  • Size: 1,556 evaluation samples
  • Columns: premise, hypothesis, and label
  • Approximate statistics based on the first 1000 samples:
    premise hypothesis label
    type string string int
    details
    • min: 9 tokens
    • mean: 28.07 tokens
    • max: 179 tokens
    • min: 6 tokens
    • mean: 12.15 tokens
    • max: 25 tokens
    • 0: ~47.90%
    • 1: ~52.10%
  • Samples:
    premise hypothesis label
    Manuskrip tersebut berisi tiga catatan yang menceritakan bagaimana peristiwa jatuhnya meteorit serta laporan kematian akibat kejadian tersebut seperti dilansir dari Science Alert, Sabtu (25/4/2020). Manuskrip tersebut tidak mencatat laporan kematian. 0
    Dilansir dari Business Insider, menurut observasi dari Mauna Loa Observatory di Hawaii pada karbon dioksida (CO2) di level mencapai 410 ppm tidak langsung memberikan efek pada pernapasan, karena tubuh manusia juga masih membutuhkan CO2 dalam kadar tertentu. Tidak ada observasi yang pernah dilansir oleh Business Insider. 0
    Seorang wanita asal New York mengaku sangat benci air putih. Tidak ada orang dari New York yang membenci air putih. 0
  • Loss: SoftmaxLoss

Training Hyperparameters

Non-Default Hyperparameters

  • eval_strategy: epoch
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • learning_rate: 2e-05
  • num_train_epochs: 2
  • warmup_ratio: 0.1
  • fp16: True

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: epoch
  • prediction_loss_only: True
  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • per_gpu_train_batch_size: None
  • per_gpu_eval_batch_size: None
  • gradient_accumulation_steps: 1
  • eval_accumulation_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: 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: 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
  • batch_sampler: batch_sampler
  • multi_dataset_batch_sampler: proportional

Training Logs

Epoch Step Training Loss loss sts-dev_spearman_cosine sts-test_spearman_cosine
0 0 - - 0.1277 -
0.4608 100 0.5694 - - -
0.9217 200 0.4754 - - -
1.0 217 - 0.4349 0.5410 -
1.3825 300 0.3829 - - -
1.8433 400 0.3507 - - -
2.0 434 - 0.4254 0.5605 0.2540

Framework Versions

  • Python: 3.10.12
  • Sentence Transformers: 3.0.1
  • Transformers: 4.41.2
  • PyTorch: 2.3.0+cu121
  • Accelerate: 0.31.0
  • Datasets: 2.20.0
  • Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

@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",
}