README.md

metadata

library_name: setfit
tags:
  - setfit
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
metrics:
  - accuracy
widget:
  - text: سیب زمینی خوب بود ولی ساندویچ اصلا جالب نبود کاملا سفت بود
  - text: >-
      شبیه شوخی بود بیشتر ، نوشتم ساندویچ بدون قارچ و خودشوم تو فاکترش نوشته ،
      اما توش یه دنیا قارچ داشت خیلی هم سرد بود + خیلی هم دیر آورد
  - text: >-
      همه چیز خوب و خوشمزه بود، جز نان سنگک، مثل نان باگت میتوانستی بینش را باز
      کنی و مواد بزاری، اون کله پاچه خوشمزه و این نون بسیار بد به هم نمیان
  - text: خوبه ولی کیفیت ظروف مناسب نیست
  - text: >-
      متاسفانه سفارش بنده را اشتباه آورده بودند.و با یک سفارش دیگر که از شرکت به
      صورت تلفنی سفارش گذاشته بودند، اشتباه گرفته بودند.
pipeline_tag: text-classification
inference: true
base_model: m3hrdadfi/roberta-zwnj-wnli-mean-tokens
model-index:
  - name: SetFit with m3hrdadfi/roberta-zwnj-wnli-mean-tokens
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.13636363636363635
            name: Accuracy

SetFit with m3hrdadfi/roberta-zwnj-wnli-mean-tokens

This is a SetFit model that can be used for Text Classification. This SetFit model uses m3hrdadfi/roberta-zwnj-wnli-mean-tokens as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification.

The model has been trained using an efficient few-shot learning technique that involves:

1. Fine-tuning a Sentence Transformer with contrastive learning.
2. Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

• Model Type: SetFit
• Sentence Transformer body: m3hrdadfi/roberta-zwnj-wnli-mean-tokens
• Classification head: a LogisticRegression instance
• Maximum Sequence Length: 128 tokens
• Number of Classes: 11 classes

Model Sources

• Repository: SetFit on GitHub
• Paper: Efficient Few-Shot Learning Without Prompts
• Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
7	'کیفیت خوب بود ولی سرد تحویل داده شد' 'حجم ساندويچ ها كم شده' 'مغزو زبان عالي بود مثل هميشه اما دونر خشك بود و خيلي طول كشيد برسه'
4	'کباب ترکی مخلوط افتضاح ، پر از غضروف مرغ، تو رو خدا یه کم دلسوزتر باشید واقعا من جمعه گشنه موندم، بندری بی مزه بود و طعم تندی و ادویه نداشت، زبان بد نبود و اونم بخاطر پنیر پیتزایی که داشت' 'ساندويچ هات داگ بسيار بي كيفيت بود ، بهاران ديگه اصلا مثل قديم نيست ، و اين چندمين بار هست كه اين مشكل تكرار ميشه' 'اندازه ساندویچها خیلی کوچیک شده و گوشت چیزبرگر سفت و دورش سوخته بود، کباب ترکی خوشمزه بود'
3	'حجم غذای ته چین قبلا خیلی خوب بود الان نصف شده دقیقا' 'سلام ، کیفیت غذا مناسب بود . ما به صورت اینترنتی پرداخت را انجام دادیم ولی پیک هزینه حمل رو می خواست بگیره پول خرد نداشت حدود یک ربع معطل شدیم .پیشنهاد میکنم هزینه ارسال را هم اینترنتی بگیرین و اگر مشکلی هست حداقل اونی که می فرستین 2 هزار تومن پول جیبش باشه.' 'غذاش بد نبود اما انتظار بیشتری داشتم.'
5	'خوشمزه ترين لوبيا پلويي كه تا حالا خورده بودم! عالي بود عالي! سه شنبه ها حتماً امتحان كنيد..?????????? ولي هيچوقت قيمه رو امتحان نكنيد خيلييي بد بود.????' 'گریل دریایی فوق العاده بود، سس کره لیمو واقعا خوب بود. پنه خیلی معمولی بود .برگر مامامیا هم بزرگ بود تخم مرغ داشت باحال بود. سالاد کنار برگر و پنینی یونانی بود عالی.سالاد مامامیا خیلی بزرگ بود کینوآ نخورده بودم اما دوست داشتم.' 'خیلی رستوران خوبی است ولی قیمت غذاهاش خیلی زیاد هست و بعضی وقتها غذا بسیار عالی و گاهی بی کیفیت میشود از مایسا توقعم این است که همیشه عالی باشد'
0	'مزه پیتزا خیلی معمولی و نامتناسب با قیمت بود. مزه گوشت هم اصلا خوب نبود.' 'مواد استفاده شده کیفیت پایین داشت و تازه نبود و از اون گذشته واقعا هیچ طعمی نداشت، تمام سعیمون رو کردیم با کمک انواع سس ها و ادویه جات طعمی به غذا بدیم ولی واقعا نشد سلیقه مشتری به خاطر دسترسی به انواع رستورانها ارتقا پیدا کرده لطفا کمی مقایسه کنید و ارتقا بدید خیلی سادست پنیر مهمترین جزیی از پیتزاست که به اون مزه میده ولی دریغ از اندکی صعم!!!' 'کیفیت ژامبون وسوسیس وکالباس بکار رفته بی نهایت پایین بود وباقیت پیتزا تناسب نداشت در منو نوشته شده بود سالامی داره اما من هیچ ندیدم .'
8	'سالاد تازه وخوب ولی سس بسیار کوچک که معمولا مخصوص ساندویچ هست حیفه که سالاد خوب سس خوب نداشته باشه ممنون' 'برنج قبلا بهتر بود' 'اصلا به توضیحات توجه نشده بود'
6	'همبرگرها کاملا سرد بود، داخل همبرگر خیار گذاشته شده بود که تا به حال ما تجربه خیار خام داخل همبرگر رو نداشتیم!!! در کل خیلی خیلی معمولی و در حد فست فودهای بسیاااار متوسط بود نه با هزینه بالای۲۰۰ تومن متاسفانه ارزش نداشت' 'غذا خوب بود نحوه تحویل توسط پیک اسنپ افتضاح' 'غذا سرد و بی نمک بود ، همرو با هم ریخته بود تو ظرف فرستاده بود ، باید تفکیک می کردن ، نون خشک و بیات بود ، بسته بندی شون اصلا خوب و بهداشتی نبود'
2	'بسیار کیفیت پایینی داشت ..اب طمع خیلی بدی داشت و زبان و گوشت مونده و سیاه بود' 'اکبر جوجه سفارش دادم یعنی بی کیفیت تر از این تا حالا ندیده بودم اونقدر بد بود غذا به همون شکل کل غذا رو ریختیم دور هر چی میشد اسمشو گذاشت بجز اکبرجوجه خوب نمیتونید درست کنید چرا توی منو میارید خیلی خیلی بی کیفیت' 'متاسفم واقعا به تمام معنا افتضاح تكه هاي پرتي مرغ پر از چربي وبي كيفيت والبته ران با سينه قاطي'
9	'بسیار تازه بود، بسته بندی خوب و مرتبی داشت، سس خوشمزه ای داشت اما مقدار مرغ اش کم بود ولی در کل من طعمش رو دوست داشتم' 'انصافا هم\u200cکوبیده ی خوشمزه ای بود هم جوجه کبابش ترد بود و خوشمزه و اصلا خشک\u200cنبود. صرفا به نظرم برنجش کم بود.و گوجه کبابیاشم\u200cدو تا خیلی کوچیک بود. در کل رضایتبخش بود.' 'سس نداشت ساندویچ'
1	'واقعا برای سه عدد پاکت(کاغذی) 3 هزار تومن؟؟ بسته بندی اخه 3 هزار تومن بعد تو کاغذ پیچی؟؟؟؟ عجبب' 'بهاران ساندویچاش کیفیتش و حجمش\u200cخیلی افت کرده' 'زمان ارسال بسیار طولانی بود. ۲۰ دقیقه دیرتر از زمان اعلام شده تحویل گردید.'
10	'ممنون ازتون لطفا کیفیت رو حفظ کنید تا وقتی خوب باشه من خودم مشتری ثابت هستم خسته نباشید' 'واقعا دستتون درد نكنه من نوشته بودم عجله دارم لطفا سريع و داغ برسه نيم ساعته يه غذاى عالي و داغ برامون فرستادن' 'مثل هميشه عالي بود ، پيك به موقع هم رسيد ماهي تنوري رو اولين بار بود كه سفارش دادم و خيلي خوشم اومد'

Evaluation

Metrics

Label	Accuracy
all	0.1364

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("keivan/roberta-zwnj-wnli-mean-tokens")
# Run inference
preds = model("خوبه ولی کیفیت ظروف مناسب نیست")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	3	21.3377	72

Label	Training Sample Count
0	7
1	7
2	7
3	7
4	7
5	7
6	7
7	7
8	7
9	7
10	7

Training Hyperparameters

• batch_size: (8, 8)
• num_epochs: (2, 2)
• max_steps: -1
• sampling_strategy: oversampling
• body_learning_rate: (2e-05, 1e-05)
• head_learning_rate: 0.01
• loss: CosineSimilarityLoss
• distance_metric: cosine_distance
• margin: 0.25
• end_to_end: False
• use_amp: False
• warmup_proportion: 0.1
• seed: 42
• eval_max_steps: -1
• load_best_model_at_end: True

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0015	1	0.2836	-
0.0742	50	0.2695	-
0.1484	100	0.3017	-
0.2226	150	0.0892	-
0.2967	200	0.0609	-
0.3709	250	0.1121	-
0.4451	300	0.0263	-
0.5193	350	0.0089	-
0.5935	400	0.0072	-
0.6677	450	0.0086	-
0.7418	500	0.0045	-
0.8160	550	0.0039	-
0.8902	600	0.003	-
0.9644	650	0.0006	-
1.0	674	-	0.0285
1.0386	700	0.0011	-
1.1128	750	0.0015	-
1.1869	800	0.0011	-
1.2611	850	0.0011	-
1.3353	900	0.0007	-
1.4095	950	0.0006	-
1.4837	1000	0.0012	-
1.5579	1050	0.0005	-
1.6320	1100	0.0024	-
1.7062	1150	0.0019	-
1.7804	1200	0.0003	-
1.8546	1250	0.0006	-
1.9288	1300	0.0006	-
2.0	1348	-	0.0302

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• SetFit: 1.0.1
• Sentence Transformers: 2.2.2
• Transformers: 4.35.2
• PyTorch: 2.1.0+cu121
• Datasets: 2.15.0
• Tokenizers: 0.15.0

Citation

BibTeX

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}