CoolFace
Modelpublic

TARARARAK/HGU_rulebook-fine-tuned-Kure-v1-article_MultipleNegativesRankingLossHR_fold0_30_5e-06

sourceHugging Faceupdated 1y agoView on Hugging Face
0likes106downloads
Model Card

SentenceTransformer based on nlpai-lab/KURE-v1

This is a sentence-transformers model finetuned from nlpai-lab/KURE-v1. 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: nlpai-lab/KURE-v1 <!-- at revision d14c8a9423946e268a0c9952fecf3a7aabd73bd9 -->
  • —Maximum Sequence Length: 256 tokens
  • —Output Dimensionality: 1024 dimensions
  • —Similarity Function: Cosine Similarity <!-- - Training Dataset: Unknown --> <!-- - Language: Unknown --> <!-- - License: Unknown -->

Model Sources

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    '입학 부정행위가 있으면 한동대에서는 어떤 조치를 하나요?',
    '제 16 조 (입학허가 및 특별과정)\n입학은 총장이 허가하되, 제출 서류의 허위기재, 서류의 위조, 변조, 대리시험 또는 시험부정행위 등 입학 부정행위가 입학허가 전에 그 사실이 판명된 때에는 불합격처리하고 입학허가 후에 사실이 판명된 때에도 입학을 취소한다.\n특별과정 운영에 관한 세부사항은 총장이 따로 정한다.',
    '제 52 조 (총학생회)\n건전한 학풍을 조성하고 학생자치활동을 신장시키기 위하여 한동대학교 총학생회(이하 "총학생회"라 한다)를 둔다.\n총학생회의 조직과 운영에 관한 사항은 총장의 승인을 얻어 학생회칙으로 따로 정한다.\n전시·사변 또는 이에 준하는 국가 비상사태시에는 그 활동이 정지된다.',
]
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 Dataset

Unnamed Dataset
  • —Size: 57 training samples
  • —Columns: <code>sentence0</code>, <code>sentence1</code>, <code>sentence2</code>, <code>sentence3</code>, and <code>sentence_4</code>
  • —Approximate statistics based on the first 57 samples: | | sentence0 | sentence1 | sentence2 | sentence3 | sentence_4 | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | string | string | string | | details | <ul><li>min: 14 tokens</li><li>mean: 25.53 tokens</li><li>max: 43 tokens</li></ul> | <ul><li>min: 18 tokens</li><li>mean: 105.79 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 25 tokens</li><li>mean: 80.28 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 34 tokens</li><li>mean: 69.91 tokens</li><li>max: 256 tokens</li></ul> | <ul><li>min: 25 tokens</li><li>mean: 86.54 tokens</li><li>max: 256 tokens</li></ul> |
  • —Samples: | sentence0 | sentence1 | sentence2 | sentence3 | sentence_4 | |:-----------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------| | <code>한동대학교에서는 전공에 따라 어떤 종류의 학위를 받게 되나요? 융합전공이나 국제협력과정을 이수한 경우에도 학위가 수여되나요?</code> | <code>제 46 조 (학위수여)<br>졸업자에게는 다음 각호와 같은 학위를 수여한다.<br>문학사 : 국제어문학부 영어전공, 커뮤니케이션학부, 상담심리사회복지학부, 창의융합교육원 글로벌한국학(한국어교육)전공, 글로벌한국학(한국언어문화)전공.<br>경영학사 : 경영경제학부 경영학전공, Global Management 전공.<br>경제학사 : 경영경제학부 경제학전공.<br>법학사 : 법학부.<br>정치학사 : 국제어문학부 국제지역학전공.<br>공학사 : 기계제어공학부, 공간환경시스템공학부, 콘텐츠융합디자인학부 제품디자인전공, ICT창업학부, 전산전자공학부 Information Technology 전공, 컴퓨터공학 전공, 전자공학 전공, AI융합교육원 AI융합전공.<br>미술학사 : 콘텐츠융합디자인학부 시각디자인전공.<br>이학사 : 생명과학부, 창의융합교육원 수학통계전공, AI융합전공 데이터사이언스전공.<br>창의융합교육원 학생설계융합전공과 글로벌융합전공의 졸업요건을 모두 충족하였을 때에는 학생이 이 대학 학위수여 범위 안에서 자율적으로 신청 한 학위를 관련위원회의 심의를 거쳐 수여한다.<br>공학사(전자공학심화) : 전산전자공학부 전자공학심화 전공.<br>공학사(AI·컴퓨터공학심화) : 전산전자공학부 AI·컴퓨터공학심화 전공.<br>모듈형설계전공의 학위수여는 총장이 따로 정한다.<br>외국대학과의 협약에 의하여 이 대학교의 교육과정을 외국대학과 공동으로 운영할 수 있으며, 이를 이수한 학생에게 학위를 수여할 수 있다.<br>협약 학생의 선발, 학사관리, 졸업요건 및 학위수여 등에 관한 세부사항은 총장이 따로 정한다.</code> | <code>제 46 조 (학위수여)<br>졸업자에게는 다음 각호와 같은 학위를 수여한다.<br>문학사 : 국제어문학부 영어전공, 커뮤니케이션학부, 상담심리사회복지학부, 창의융합교육원 글로벌한국학(한국어교육)전공, 글로벌한국학(한국언어문화)전공.<br>경영학사 : 경영경제학부 경영학전공, Global Management 전공.<br>경제학사 : 경영경제학부 경제학전공.<br>법학사 : 법학부.<br>정치학사 : 국제어문학부 국제지역학전공.<br>공학사 : 기계제어공학부, 공간환경시스템공학부, 콘텐츠융합디자인학부 제품디자인전공, ICT창업학부, 전산전자공학부 Information Technology 전공, 컴퓨터공학 전공, 전자공학 전공, AI융합교육원 AI융합전공.<br>미술학사 : 콘텐츠융합디자인학부 시각디자인전공.<br>이학사 : 생명과학부, 창의융합교육원 수학통계전공, AI융합전공 데이터사이언스전공.<br>창의융합교육원 학생설계융합전공과 글로벌융합전공의 졸업요건을 모두 충족하였을 때에는 학생이 이 대학 학위수여 범위 안에서 자율적으로 신청 한 학위를 관련위원회의 심의를 거쳐 수여한다.<br>공학사(전자공학심화) : 전산전자공학부 전자공학심화 전공.<br>공학사(AI·컴퓨터공학심화) : 전산전자공학부 AI·컴퓨터공학심화 전공.<br>모듈형설계전공의 학위수여는 총장이 따로 정한다.<br>외국대학과의 협약에 의하여 이 대학교의 교육과정을 외국대학과 공동으로 운영할 수 있으며, 이를 이수한 학생에게 학위를 수여할 수 있다.<br>협약 학생의 선발, 학사관리, 졸업요건 및 학위수여 등에 관한 세부사항은 총장이 따로 정한다.</code> | <code>제목: 한동대학교 학칙<br>소관부서: 교무팀 1073, 1074<br>학교웹페이지: https://rule.handong.edu</code> | <code>제 1 조 (목적)<br>이 학칙은 한동대학교(이하 "이 대학교"라 한다) 교훈의 실천과 교육이념, 교육목적 및 교육목표를 달성하기 위한 교육조직, 학사운영 등에 관한 사항을 규정함을 목적으로 한다.</code> | | <code>한동대학교에서는 결석이나 정학으로 인해 등록금이 감액되나요?</code> | <code>제 63 조 (결석 또는 정학자 납입금)<br>납입금은 결석, 정학 또는 제적의 이유로 감액되지 않는다.</code> | <code>제 63 조 (결석 또는 정학자 납입금)<br>납입금은 결석, 정학 또는 제적의 이유로 감액되지 않는다.</code> | <code>제 52 조 (총학생회)<br>건전한 학풍을 조성하고 학생자치활동을 신장시키기 위하여 한동대학교 총학생회(이하 "총학생회"라 한다)를 둔다.<br>총학생회의 조직과 운영에 관한 사항은 총장의 승인을 얻어 학생회칙으로 따로 정한다.<br>전시·사변 또는 이에 준하는 국가 비상사태시에는 그 활동이 정지된다.</code> | <code>제목: 한동대학교 학칙<br>소관부서: 교무팀 1073, 1074<br>학교웹페이지: https://rule.handong.edu</code> | | <code>한동대학교에 입학하기 전에 예비과정을 이수할 수 있는 경우가 있나요? 예비과정에서 들은 수업은 학점으로 인정되나요?</code> | <code>제 34 조 (예비과정)<br>다음 각 호의 1에 해당하는 자로서 총장이 필요하다고 인정하는 자는 입학전이라도 예비 교육과정을 이수케 할 수 있으며, 여기서 이수한 과목에 대하여는 입학후 학점을 인정 할 수 있다.<br>외국인 학생.<br>교포,외교관등의 자녀.<br>기타 예비과정 수강이 필요하다고 총장이 인정하는자.<br>예비과정의 개설과목, 실시간,학점인정등 예비과정 운영에 필요한 세부사항은 총장이 따로 정한다.</code> | <code>제 34 조 (예비과정)<br>다음 각 호의 1에 해당하는 자로서 총장이 필요하다고 인정하는 자는 입학전이라도 예비 교육과정을 이수케 할 수 있으며, 여기서 이수한 과목에 대하여는 입학후 학점을 인정 할 수 있다.<br>외국인 학생.<br>교포,외교관등의 자녀.<br>기타 예비과정 수강이 필요하다고 총장이 인정하는자.<br>예비과정의 개설과목, 실시간,학점인정등 예비과정 운영에 필요한 세부사항은 총장이 따로 정한다.</code> | <code>제목: 한동대학교 학칙<br>소관부서: 교무팀 1073, 1074<br>학교웹페이지: https://rule.handong.edu</code> | <code>제 1 조 (목적)<br>이 학칙은 한동대학교(이하 "이 대학교"라 한다) 교훈의 실천과 교육이념, 교육목적 및 교육목표를 달성하기 위한 교육조직, 학사운영 등에 관한 사항을 규정함을 목적으로 한다.</code> |
  • —Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:
json
  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }

Training Hyperparameters

Non-Default Hyperparameters
  • —eval_strategy: steps
  • —per_device_train_batch_size: 1
  • —per_device_eval_batch_size: 1
  • —num_train_epochs: 30
  • —fp16: True
  • —multi_dataset_batch_sampler: round_robin
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: 1
  • —per_device_eval_batch_size: 1
  • —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: 5e-05
  • —weight_decay: 0.0
  • —adam_beta1: 0.9
  • —adam_beta2: 0.999
  • —adam_epsilon: 1e-08
  • —max_grad_norm: 1
  • —num_train_epochs: 30
  • —max_steps: -1
  • —lr_scheduler_type: linear
  • —lr_scheduler_kwargs: {}
  • —warmup_ratio: 0.0
  • —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: {'minnumparams': 0, 'xla': False, 'xlafsdpv2': False, 'xlafsdpgrad_ckpt': False}
  • —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: 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
  • —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
  • —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
  • —use_liger_kernel: False
  • —eval_use_gather_object: False
  • —average_tokens_across_devices: False
  • —prompts: None
  • —batch_sampler: batch_sampler
  • —multi_dataset_batch_sampler: round_robin

</details>

Training Logs

EpochStep
0.689720
1.029

Framework Versions

  • —Python: 3.10.13
  • —Sentence Transformers: 3.3.1
  • —Transformers: 4.46.2
  • —PyTorch: 2.0.1+cu118
  • —Accelerate: 0.34.2
  • —Datasets: 3.0.0
  • —Tokenizers: 0.20.1

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. -->