---
base_model: klue/roberta-base
datasets: []
language: []
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:10501
- loss:CosineSimilarityLoss
widget:
- source_sentence: 기업은 생존 문제에 직면하고, 자영업자와 소상공인의 고통은 이루 말할 수 없을 정도입니다.
sentences:
- 자유무역은 기업이 서로를 신뢰하고, 미래의 불확실성을 낮추는 안전장치입니다.
- 국가 임상연구 승인, 시행기관 지정, 장기 추적조사 등 안전관리체계를 구축하고 치료 개발 및 임상연구 수행을 위한 RD 투자를 확대합니다.
- 중심가와 거리가 조금 먼 점 빼고는 정말 모든게 너무 좋았던 숙소입니다!
- source_sentence: 타이페이를 다시 간다면 여기 또 올거예요.
sentences:
- 사진으로 봤던것보다 훨씬 더 좋았습니다
- 겨울에 난방 온도 이십오도 이상으로 올리지마라고 경고했어
- 만약 내가 다시 타이페이에 간다면, 나는 여기에 다시 올 것입니다.
- source_sentence: 호주의 좋은 가정집에서 묵는 느낌이었어요.
sentences:
- 어린이 교통사고 위험지역에 CCTV 2087대, 신호등 2146개를 올해 상반기 중으로 설치하고 옐로카펫과 노란발자국 등을 올해 하반기에 초등학교
100곳에 시범 설치한다.
- 호주에 있는 좋은 집에서 지내는 것 같았어요.
- 그러나 호텔업계 노사가 가장 어려운 시기에, 가장 모범적으로 함께 마음을 모았습니다.
- source_sentence: 그들덕분에 우리는 4일간 편안히 쉴 수 있었습니다.
sentences:
- 그들 덕분에, 우리는 4일 동안 쉴 수 있었어요.
- 주변에 두 개의 지하철역이 있습니다. 큰 공원, 큰 슈퍼마켓, 그리고 편의점이 있습니다.
- 방은 쾌적하고 에어컨도 아주 잘 나와요.
- source_sentence: 테라스에서 봤던 뷰와 그곳에서 먹었던 식사가 그리울 것 같아요.
sentences:
- 테라스에서 본 풍경과 거기서 먹었던 음식이 그리울 것 같아요.
- 이쪽 주변에서 여행할 계획이라면 추천합니다!
- 저희 할아버지는 매우 친절하고 친절하십니다.
co2_eq_emissions:
emissions: 7.379414346751554
energy_consumed: 0.016863301234344347
source: codecarbon
training_type: fine-tuning
on_cloud: false
cpu_model: 13th Gen Intel(R) Core(TM) i7-13700
ram_total_size: 62.56697463989258
hours_used: 0.057
hardware_used: 1 x NVIDIA GeForce RTX 4090
model-index:
- name: SentenceTransformer based on klue/roberta-base
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: Unknown
type: unknown
metrics:
- type: pearson_cosine
value: 0.34770704341988723
name: Pearson Cosine
- type: spearman_cosine
value: 0.35560473197486514
name: Spearman Cosine
- type: pearson_manhattan
value: 0.3673846313946801
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.36460670798564826
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.3607451203867209
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.35482778401649034
name: Spearman Euclidean
- type: pearson_dot
value: 0.21251167982120983
name: Pearson Dot
- type: spearman_dot
value: 0.20063256899469895
name: Spearman Dot
- type: pearson_max
value: 0.3673846313946801
name: Pearson Max
- type: spearman_max
value: 0.36460670798564826
name: Spearman Max
- type: pearson_cosine
value: 0.961968864970919
name: Pearson Cosine
- type: spearman_cosine
value: 0.9196100863981246
name: Spearman Cosine
- type: pearson_manhattan
value: 0.9530332430579778
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.9186168431687389
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.9532923011007042
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.9190754386835427
name: Spearman Euclidean
- type: pearson_dot
value: 0.9493179101338206
name: Pearson Dot
- type: spearman_dot
value: 0.8999468521869318
name: Spearman Dot
- type: pearson_max
value: 0.961968864970919
name: Pearson Max
- type: spearman_max
value: 0.9196100863981246
name: Spearman Max
---
# SentenceTransformer based on klue/roberta-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [klue/roberta-base](https://huggingface.co/klue/roberta-base). 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:** [klue/roberta-base](https://huggingface.co/klue/roberta-base)
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 768 tokens
- **Similarity Function:** Cosine Similarity
### 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: RobertaModel
(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("sentence_transformers_model_id")
# Run inference
sentences = [
'테라스에서 봤던 뷰와 그곳에서 먹었던 식사가 그리울 것 같아요.',
'테라스에서 본 풍경과 거기서 먹었던 음식이 그리울 것 같아요.',
'이쪽 주변에서 여행할 계획이라면 추천합니다!',
]
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
* Evaluated with [EmbeddingSimilarityEvaluator
](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| pearson_cosine | 0.3477 |
| spearman_cosine | 0.3556 |
| pearson_manhattan | 0.3674 |
| spearman_manhattan | 0.3646 |
| pearson_euclidean | 0.3607 |
| spearman_euclidean | 0.3548 |
| pearson_dot | 0.2125 |
| spearman_dot | 0.2006 |
| pearson_max | 0.3674 |
| **spearman_max** | **0.3646** |
#### Semantic Similarity
* Evaluated with [EmbeddingSimilarityEvaluator
](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:-------------------|:-----------|
| pearson_cosine | 0.962 |
| spearman_cosine | 0.9196 |
| pearson_manhattan | 0.953 |
| spearman_manhattan | 0.9186 |
| pearson_euclidean | 0.9533 |
| spearman_euclidean | 0.9191 |
| pearson_dot | 0.9493 |
| spearman_dot | 0.8999 |
| pearson_max | 0.962 |
| **spearman_max** | **0.9196** |
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 10,501 training samples
* Columns: sentence_0
, sentence_1
, and label
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details |
지하철 역 내려서 1분정도의 아주 가까운 거리입니다.
| 지하철역에서 1분 정도 아주 가까운 거리입니다.
| 0.86
|
| 그것빼곤 2인여행자들에게는 좋은숙소에요!
| 계단이 많다는거 빼곤 완벽한 숙소에요!
| 0.27999999999999997
|
| 이어 현금이 286만 가구(13.2%) 1조3007억원, 선불카드가 75만 가구(3.5%) 4990억원, 지역사랑상품권은 63만 가구(2.9%) 4171억원으로 각각 집계됐다.
| 이어 현금 286만 가구(13.2%), 현금 1조337억 원, 선불카드 75만 가구(3.5%), 4990억 원, 지역사랑상품권 63만 가구(2.9%), 4171억 원 순이었습니다.
| 0.86
|
* Loss: [CosineSimilarityLoss
](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `num_train_epochs`: 4
- `multi_dataset_batch_sampler`: round_robin
#### All Hyperparameters