CoolFace
Modelpublic

George2002/sledopyt_embedder_v4

sourceHugging Faceupdated 1y agoView on Hugging Face
0likes97downloads
Model Card

SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large on the q2qdata and q2pdata datasets. It maps sentences & paragraphs to a 1024-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: intfloat/multilingual-e5-large <!-- at revision 0dc5580a448e4284468b8909bae50fa925907bc5 -->
  • —Maximum Sequence Length: 512 tokens
  • —Output Dimensionality: 1024 dimensions
  • —Similarity Function: Cosine Similarity
  • —Training Datasets:
  • —q2q_data
  • —q2p_data <!-- - Language: Unknown --> <!-- - License: Unknown -->

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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})
  (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("George2002/sledopyt_embedder")
# Run inference
sentences = [
    'query: Кто отвечает за подтверждение замены владельца номинального счета?',
    'query: Кто должен дать согласие на смену владельца номинального счета?',
    'query: Какой документ требуется для подтверждения личности клиента при смене владельца номинального счета?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# 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. -->

<!--

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 Datasets

q2q_data
  • —Dataset: q2q_data
  • —Size: 33,406 training samples
  • —Columns: <code>query1</code>, <code>query2</code>, and <code>negative</code>
  • —Approximate statistics based on the first 1000 samples: | | query1 | query2 | negative | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 12 tokens</li><li>mean: 22.08 tokens</li><li>max: 42 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 21.77 tokens</li><li>max: 43 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 21.45 tokens</li><li>max: 39 tokens</li></ul> |
  • —Samples: | query1 | query2 | negative | |:-----------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------| | <code>query: Какой телефон для отключения дневного расходного лимита для ребенка?</code> | <code>query: На какой номер нужно позвонить, чтобы снять лимит расходов на день для ребенка?</code> | <code>query: Как отключить лимиты по детской карте через мобильное приложение, если родитель хочет это сделать?</code> | | <code>query: При каком условии можно выбрать возраст ребенка представительством?</code> | <code>query: При каких обстоятельствах можно определить возраст ребенка в представительстве?</code> | <code>query: Какой статус должен быть у представителя для определения возраста ребенка?</code> | | <code>query: Какие бумаги нужны при обращении, если счет не удается найти?</code> | <code>query: Что требуется приложить к запросу, если счет отсутствует?</code> | <code>query: Что нужно предоставить для регистрации обращения, если счёт не обнаружен?</code> |
  • —Loss: <code>TripletLoss</code> with these parameters:
json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }
q2p_data
  • —Dataset: q2p_data
  • —Size: 7,709 training samples
  • —Columns: <code>query</code>, <code>chunk</code>, and <code>negative</code>
  • —Approximate statistics based on the first 1000 samples: | | query | chunk | negative | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 13 tokens</li><li>mean: 22.14 tokens</li><li>max: 40 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 162.33 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 129.72 tokens</li><li>max: 512 tokens</li></ul> |
  • —Samples: | query | chunk | negative | |:-----------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>query: Что такое ДУЛ законного представителя и зачем он нужен?</code> | <code>passage: Документы, необходимые для прикрепления законного представителя к подопечному (несовершеннолетнему от 14 до 18 лет):<br><br>Приемный родитель<br><br>ДУЛ законного представителя<br><br>Документ из органа опеки и попечительства о передаче ребенка в приемную семью</code> | <code>passage: Документы, необходимые для прикрепления законного представителя к подопечному (несовершеннолетнему от 14 до 18 лет):<br><br>Попечитель (физ. лицо)<br><br>ДУЛ законного представителя<br><br>Решение органа опеки и попечительства о назначении попечителя</code> | | <code>query: Что требуется для получения выписки по счету вкладчика с ограниченной дееспособностью?</code> | <code>passage: Выписка по счету (вкладу) может быть выдана:<br><br>- Ограниченно дееспособный в силу пристрастия<br><br>-Доверенное лицо ограниченно дееспособного</code> | <code>passage: Кто обратился?<br><br>Вкладчик/Представитель вкладчика (полномочия подтверждены)<br><br>Выберите причину розыска?</code> | | <code>query: Какие учредительные документы необходимы для государственного социального учреждения?</code> | <code>passage: Документ (распоряжение/приказ/акт/путевка) органа опеки и попечительства о помещении (передаче под надзор) несовершеннолетнего в государственную социальную организацию <br><br>Учредительные документы государственного социального учреждения (далее –учреждение)<br><br>Свидетельство о постановке на учет в налоговом органе учреждения<br><br>Выписка из Единого государственного реестра юридических лиц<br><br>Свидетельство о государственной регистрации учреждения<br><br>Документ (как правило, приказ) о назначении (избрании) единоличного исполнительного органа (директора) социального учреждения</code> | <code>passage: Документ (распоряжение/приказ/акт/путевка) органа опеки и попечительства о помещении (передаче под надзор) ограниченно дееспособного гражданина в государственную социальную организацию <br>Учредительные документы государственного социального учреждения (далее –учреждение)<br><br>Свидетельство о постановке на учет в налоговом органе учреждения<br><br>Выписка из Единого государственного реестра юридических лиц<br><br>Свидетельство о государственной регистрации учреждения<br><br>Документы об избрании (назначении) единоличного исполнительного органа</code> |
  • —Loss: <code>TripletLoss</code> with these parameters:
json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }

Evaluation Datasets

q2q_data
  • —Dataset: q2q_data
  • —Size: 1,759 evaluation samples
  • —Columns: <code>query1</code>, <code>query2</code>, and <code>negative</code>
  • —Approximate statistics based on the first 1000 samples: | | query1 | query2 | negative | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 11 tokens</li><li>mean: 22.02 tokens</li><li>max: 40 tokens</li></ul> | <ul><li>min: 11 tokens</li><li>mean: 21.69 tokens</li><li>max: 39 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 21.38 tokens</li><li>max: 37 tokens</li></ul> |
  • —Samples: | query1 | query2 | negative | |:---------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------| | <code>query: Что необходимо сделать при получении отрицательного заключения?</code> | <code>query: Какие действия нужно предпринять после получения отрицательного ответа?</code> | <code>query: Какие шаги следует предпринять при получении негативного ответа после открытия счета?</code> | | <code>query: Нужно ли согласовывать операцию с комплаенсом при переводе в СБОЛ.Про?</code> | <code>query: Обязательно ли получить согласие комплаенса для операции перевода в СБОЛ.Про?</code> | <code>query: Необходимо ли согласовывать перевод с комплаенсом в СБОЛ.Про?</code> | | <code>query: Что появляется на экране после нажатия кнопки «Ребенок до 14 лет» или «Ребенок от 14 до 18 лет»?</code> | <code>query: Какой экран показывается после нажатия на кнопки «Ребенок до 14 лет» и «Ребенок от 14 до 18 лет»?</code> | <code>query: Каким лицам доступна выписка по счету несовершеннолетнего в возрасте от 14 до 18 лет?</code> |
  • —Loss: <code>TripletLoss</code> with these parameters:
json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }
q2p_data
  • —Dataset: q2p_data
  • —Size: 406 evaluation samples
  • —Columns: <code>query</code>, <code>chunk</code>, and <code>negative</code>
  • —Approximate statistics based on the first 406 samples: | | query | chunk | negative | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | string | | details | <ul><li>min: 13 tokens</li><li>mean: 22.26 tokens</li><li>max: 40 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 163.57 tokens</li><li>max: 512 tokens</li></ul> | <ul><li>min: 12 tokens</li><li>mean: 126.02 tokens</li><li>max: 512 tokens</li></ul> |
  • —Samples: | query | chunk | negative | |:----------------------------------------------------------------------------------------------------------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>query: Куда следует направить информацию, полученную для розыска?</code> | <code>passage: Выберите причину розыска?<br><br>Информация нужна для предоставления в Суд/в органы опеки/ др. гос органы<br><br>Зарегистрируй обращение в СРМ «Розничный». Приложи (при наличии) документы, подтверждающие .....</code> | <code>passage: Заполните информацию о подопечном</code> | | <code>query: Кто может обратиться за открытием карты МИР без согласия Финансового управляющего?</code> | <code>passage: С каким вопросом обратился банкрот?<br><br>06. Открытие счета/вклада (отличного от Специального счета банкрота)<br><br>Банкрот в любой стадии банкротства может открыть самостоятельно в стандартном режиме без согласия Финансового управляющего следующие виды счетов: <br><br>- Номинальный счет для получения пособий на подопечного/ алиментов на ребенка без согласия своего финансового управляющего. <br><br>Любой другой счет может открыть только банкрот в стадии реструктуризация долгов, предоставив разрешение Финансового управляющего<br><br>!!!!!! при обращении МОБИЛИЗОВАННОГО (участник СВО) банкрота (в стадии РИ) для открытия и получения карты МИР для зачисления военного довольствия, открываем и выдаем карту МИР БЕЗ РАЗРЕШЕНИЯ ФУ</code> | <code>passage: Банкрот в любой стадии банкротства может открыть самостоятельно в стандартном режиме без согласия Финансового управляющего следующие виды счетов: <br><br>- Номинальный счет для получения пособий на подопечного/ алиментов на ребенка без согласия своего финансового управляющего. <br><br>Любой другой счет может открыть только банкрот в стадии реструктуризация долгов, предоставив разрешение Финансового управляющего<br><br>!!!!!! при обращении МОБИЛИЗОВАННОГО (участник СВО) банкрота (в стадии РИ) для открытия и получения карты МИР для зачисления военного довольствия, открываем и выдаем карту МИР БЕЗ РАЗРЕШЕНИЯ ФУ<br><br>Процедура банкротства Реструктуризация долгов<br><br>Клиент, признанный банкротом в стадии реструктуризация долгов имеет право без согласия Финансового управляющего открыть счета:<br>- Специальный счет банкрота с ежемесячным лимитом в 50 000.00<br>- Счет ГЖС (Счет ГЖС открывается в стандартном режиме, арест/ блокировка на счет ГЖС не накладывается). <br>При открытии любого другого счёта банкрот должен п...</code> | | <code>query: Что должно быть на свидетельстве о рождении Украины для оформления Детской СберКарты?</code> | <code>passage: ВНИМАНИЕ !<br>С 23 октября 2023г. в МП СБОЛ станет доступным заказ Детской СберКарты по свидетельству о рождении Украины со штампом о гражданстве РФ.<br>Для получения Детской СберКарты в офисе банка необходимо будет предоставить нотариально заверенное удостоверение перевода на русский язык свидетельства о рождении Украины со штампом о гражданстве РФ.<br><br><br><br><br><br>Типичные вопросы по Детской СберКарте и ответы на них<br><br>18. Сколько изготавливается Детская СберКарта ?<br><br>Актуальные сроки выпуска карты размещены на сайте Банка: Детская СберКарт -> Тарифы -> Документы и ссылки</code> | <code>passage: ВНИМАНИЕ !<br>С 23 октября 2023г. в МП СБОЛ станет доступным заказ Детской СберКарты по свидетельству о рождении Украины со штампом о гражданстве РФ.<br>Для получения Детской СберКарты в офисе банка необходимо будет предоставить нотариально заверенное удостоверение перевода на русский язык свидетельства о рождении Украины со штампом о гражданстве РФ.<br><br><br><br><br><br>Типичные вопросы по Детской СберКарте и ответы на них<br><br>05. Бонусы Спасибо по Детской СберКарте<br><br>Выберите интересующий вопрос</code> |
  • —Loss: <code>TripletLoss</code> with these parameters:
json
  {
      "distance_metric": "TripletDistanceMetric.EUCLIDEAN",
      "triplet_margin": 5
  }

Training Hyperparameters

Non-Default Hyperparameters
  • —eval_strategy: steps
  • —per_device_train_batch_size: 36
  • —learning_rate: 1e-05
  • —weight_decay: 0.01
  • —num_train_epochs: 2
  • —warmup_ratio: 0.1
  • —load_best_model_at_end: True
  • —push_to_hub: True
  • —hub_model_id: George2002/sledopyt_embedder
  • —hub_strategy: end
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: 36
  • —per_device_eval_batch_size: 8
  • —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: 1e-05
  • —weight_decay: 0.01
  • —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: 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: True
  • —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: True
  • —ignore_data_skip: False
  • —fsdp: []
  • —fsdp_min_num_params: 0
  • —fsdp_config: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}
  • —tp_size: 0
  • —fsdp_transformer_layer_cls_to_wrap: None
  • —accelerator_config: {'splitbatches': False, 'dispatchbatches': None, 'evenbatches': True, 'useseedablesampler': True, 'nonblocking': False, 'gradientaccumulationkwargs': 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: True
  • —resume_from_checkpoint: None
  • —hub_model_id: George2002/sledopyt_embedder
  • —hub_strategy: end
  • —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
  • —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: batch_sampler
  • —multi_dataset_batch_sampler: proportional

</details>

Training Logs

<details><summary>Click to expand</summary>

EpochStepTraining Lossq2q data lossq2p data loss
0.0175104.957--
0.0351204.9467--
0.0526304.9452--
0.0702404.9325--
0.0877504.90564.88044.9222
0.1053604.9041--
0.1228704.8866--
0.1404804.844--
0.1579904.8064--
0.17541004.81824.72434.8660
0.19301104.7791--
0.21051204.7659--
0.22811304.7572--
0.24561404.7234--
0.26321504.7264.62684.8712
0.28071604.6932--
0.29821704.6654--
0.31581804.6776--
0.33331904.6617--
0.35092004.69284.55814.8814
0.36842104.6497--
0.38602204.677--
0.40352304.6344--
0.42112404.6612--
0.43862504.62744.51544.8396
0.45612604.6556--
0.47372704.6382--
0.49122804.6053--
0.50882904.6131--
0.52633004.64534.49574.8314
0.54393104.5819--
0.56143204.5948--
0.57893304.5288--
0.59653404.6152--
0.61403504.58314.46574.7953
0.63163604.5507--
0.64913704.5718--
0.66673804.6269--
0.68423904.6017--
0.70184004.51554.43964.7694
0.71934104.5055--
0.73684204.534--
0.75444304.5358--
0.77194404.5443--
0.78954504.53094.41834.7751
0.80704604.5952--
0.82464704.5561--
0.84214804.5191--
0.85964904.5066--
0.87725004.48754.41384.8195
0.89475104.5051--
0.91235204.4872--
0.92985304.4918--
0.94745404.5357--
0.96495504.48984.37544.7799
0.98255604.5742--
1.05704.5461--
1.01755804.5505--
1.03515904.5027--
1.05266004.57474.40604.7915
1.07026104.5296--
1.08776204.4262--
1.10536304.5415--
1.12286404.5386--
1.14046504.45524.36324.8105
1.15796604.4473--
1.17546704.5069--
1.19306804.5129--
1.21056904.4611--
1.22817004.51044.35304.7875
1.24567104.4742--
1.26327204.4887--
1.28077304.406--
1.29827404.4049--
1.31587504.41654.34844.7866
1.33337604.4274--
1.35097704.4855--
1.36847804.4571--
1.38607904.4307--
1.40358004.43874.34504.7628
1.42118104.4592--
1.43868204.4368--
1.45618304.4863--
1.47378404.463--
1.49128504.41134.32524.7610
1.50888604.4368--
1.52638704.4738--
1.54398804.4195--
1.56148904.4478--
1.57899004.38494.31404.7519
1.59659104.4896--
1.61409204.4301--
1.63169304.4142--
1.64919404.4582--
1.66679504.50754.31894.7259
1.68429604.4454--
1.70189704.3547--
1.71939804.4016--
1.73689904.4064--
1.754410004.43564.31514.7276
1.771910104.4105--
1.789510204.4067--
1.807010304.4296--
1.824610404.4147--
1.842110504.37434.31364.7182
1.859610604.4065--
1.877210704.4025--
1.894710804.3912--
1.912310904.3731--
1.929811004.38174.31204.7357
1.947411104.4305--
1.964911204.3914--
1.982511304.4753--
2.011404.4536--

</details>

Framework Versions

  • —Python: 3.10.12
  • —Sentence Transformers: 4.1.0
  • —Transformers: 4.51.3
  • —PyTorch: 2.6.0+cu124
  • —Accelerate: 1.6.0
  • —Datasets: 3.5.0
  • —Tokenizers: 0.21.1

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",
}
TripletLoss
bibtex
@misc{hermans2017defense,
    title={In Defense of the Triplet Loss for Person Re-Identification},
    author={Alexander Hermans and Lucas Beyer and Bastian Leibe},
    year={2017},
    eprint={1703.07737},
    archivePrefix={arXiv},
    primaryClass={cs.CV}
}

<!--

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. -->