iambestfeed/phobert-base-v2-finetuned-filtered_data_wseg-lr5e-06-1-epochs-bs-16

SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from vinai/phobert-base-v2 on the vnexpress-data-similarity 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: vinai/phobert-base-v2 <!-- at revision e2375d266bdf39c6e8e9a87af16a5da3190b0cc8 -->
• —Maximum Sequence Length: 256 tokens
• —Output Dimensionality: 768 dimensions
• —Similarity Function: Cosine Similarity
• —Training Dataset:
• —vnexpress-data-similarity <!-- - Language: Unknown --> <!-- - License: Unknown -->

Model Sources

• —Documentation: Sentence Transformers Documentation
• —Repository: Sentence Transformers on GitHub
• —Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 256, '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:

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("iambestfeed/phobert-base-v2-finetuned-filtered_data_wseg-lr5e-06")
# Run inference
sentences = [
    'Động_đất mạnh 5,6 độ ở tỉnh Tây_Java của Indonesia khiến ít_nhất 44 người thiệt_mạng , nhiều nhà_cửa tại thủ_đô Jakarta cũng bị rung_chuyển . - VnExpress',
    'Cơ_quan Khí_tượng , Khí_hậu và Địa_vật_lý Indonesia ( BMKG ) cho biết trận động_đất mạnh 5,6 độ xảy ra lúc 13h21 hôm_nay , tâm chấn nằm trên đất_liền ở độ sâu 10 km tại tỉnh Tây_Java , cách thủ_đô Jakarta khoảng 100 km về phía nam . Trong khi đó , Cơ_quan Khảo_sát Địa_chất Mỹ ( USGS ) cho biết trận động_đất mạnh 5,4 độ . USGS xác_định những trận động_đất có tâm chấn ở độ sâu dưới 70 km là " tâm chấn nông " và chúng thường gây thiệt_hại nặng_nề hơn so với " tâm chấn sâu " . \n BMKG nói rằng không có nguy_cơ xảy ra sóng_thần sau trận động_đất . \n " Hàng trăm , thậm_chí có_thể hàng nghìn ngôi nhà bị hư_hại . 44 người đã thiệt_mạng " , Adam , phát_ngôn_viên của chính_quyền địa_phương tại thị_trấn Cianjur ở Tây_Java , nói với AFP. \n Herman_Suherman , lãnh_đạo thị_trấn Cianjur , trước đó nói trên truyền_hình rằng chỉ riêng một trong 4 bệnh_viện tại đây đã ghi_nhận gần 20 người chết và ít_nhất 300 người bị_thương . " Phần_lớn nạn_nhân bị_thương do mắc_kẹt dưới đống đổ_nát " , ông cho biết và cảnh_báo con_số thương_vong có_thể tăng thêm . \n Nhân_chứng cho biết nhiều tòa nhà tại Jakarta bị rung_chuyển , khiến không ít người phải sơ_tán khỏi các văn_phòng ở quận trung_tâm thủ_đô . Số khác nói rằng họ cảm_nhận được các tòa nhà rung lắc và chứng_kiến đồ_đạc di_chuyển . \n " Tôi đang làm_việc thì sàn nhà rung_chuyển , tôi có_thể cảm_nhận chấn_động rất rõ_ràng " , Mayadita_Waluyo , một luật_sư 22 tuổi làm_việc tại một tòa nhà_văn_phòng ở Jakarta , kể . " Lúc đó tôi chưa hình_dung được chuyện gì đã xảy ra , nhưng rung lắc ngày_càng mạnh hơn và kéo_dài khá lâu " . \n Waluyo cho hay cô và nhiều đồng_nghiệp trong văn_phòng sau đó đã hoảng_hốt chạy xuống cầu_thang bộ để thoát khỏi tòa nhà . \n Indonesia thường_xuyên trải qua các trận động_đất và phun trào núi_lửa do nằm trên " Vành_đai lửa " , một vòng_cung hoạt_động địa_chấn dữ_dội , nơi các mảng kiến_tạo va_chạm kéo_dài từ Nhật_Bản qua Đông_Nam_Á và lưu_vực Thái_Bình_Dương . \n Năm 2004 , trận động_đất 9,1 độ xảy ra ngoài khơi đảo Sumatra , gây ra sóng_thần giết chết 220.000 người khắp khu_vực , trong đó có khoảng 170.000 người ở Indonesia . \n Năm 2018 , một trận động_đất 7,5 độ và sóng_thần theo sau ở Palu trên đảo Sulawesi đã khiến hơn 4.300 người chết và mất_tích . \n Vũ_Anh ( Theo AFP )',
    'Nếu mua xe mới tôi phải vay thêm tiền mới đủ lăn bánh_xe cỡ A trong khi mua xe cũ thì có thế chọn xe cỡ B. ( Lan_Anh ) \n >> Xem thêm : cẩm_nang mua xe',
]
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]

<!--

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

vnexpress-data-similarity

• —Dataset: vnexpress-data-similarity at e6cb542
• —Size: 74,620 training samples
• —Columns: <code>anchor</code> and <code>positive</code>
• —Approximate statistics based on the first 1000 samples: | | anchor | positive | |:--------|:------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | | details | <ul><li>min: 18 tokens</li><li>mean: 32.21 tokens</li><li>max: 104 tokens</li></ul> | <ul><li>min: 21 tokens</li><li>mean: 140.01 tokens</li><li>max: 256 tokens</li></ul> |
• —Samples: | anchor | positive | |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>Gene quyếtđịnh phầnlớn chiều cao của trẻ , những thóiquen sinhhoạt , ănuống cũng ảnhhưởng đến quátrình pháttriển . - VnExpress</code> | <code>Gene quyếtđịnh phầnlớn chiều cao của trẻ , những thóiquen sinhhoạt , ănuống cũng ảnhhưởng đến quátrình pháttriển . <br> Lê Nguyễn ( Theo Timesofindia , WebMD ) <br> Vuilòng điền đầyđủ thôngtin để chúngtôi cóthể hỗtrợ bạn</code> | | <code>H & # 039 ; Hen Niê đưa bốmẹ và cháu gái cùng đi côngtác , VũThuPhương đưa con sang Anh nhậphọc , PhươngTrinh Jolie bế contrai mới sinh , Mạc VănKhoa xúcđộng khi được diễn chung với NSƯT HoàiLinh . - Ngôisao</code> | <code>PhongKiều <br> - Showbiz <br> - Thờitrang <br> - Làmđẹp <br> - Xem <br> - Ănchơi <br> - Lốisống <br> - Thểthao <br> - Thờicuộc <br> - Podcasts <br> - Thươngtrường <br> - Trắcnghiệm <br> - Video <br> - Ảnh <br> - Reviews & Deals <br> H ' Hen Niê đưa bốmẹ và cháu gái cùng đi côngtác , VũThuPhương đưa con sang Anh nhậphọc , PhươngTrinh Jolie bế contrai mới sinh , Mạc VănKhoa xúcđộng khi được diễn chung với NSƯT HoàiLinh . <br> PhongKiều</code> | | <code>Hạtgiống số một giành chiếnthắng với tỷsố 7 - 6 ( 1 ) , 6 - 3 ở trận raquân tại Halle Mởrộng 2019 . - VnExpress</code> | <code>Hạtgiống số một giành chiếnthắng với tỷsố 7 - 6 ( 1 ) , 6 - 3 ở trận raquân tại Halle Mởrộng 2019 . <br> QuangDũng</code> |
• —Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }

Training Hyperparameters

Non-Default Hyperparameters

• —per_device_train_batch_size: 16
• —gradient_accumulation_steps: 5
• —learning_rate: 5e-06
• —warmup_ratio: 0.1
• —save_safetensors: False
• —fp16: True
• —push_to_hub: True
• —hub_model_id: iambestfeed/phobert-base-v2-finetuned-filtereddatawseg-lr5e-06
• —batch_sampler: no_duplicates

All Hyperparameters

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

• —overwrite_output_dir: False
• —do_predict: False
• —eval_strategy: no
• —prediction_loss_only: True
• —per_device_train_batch_size: 16
• —per_device_eval_batch_size: 8
• —per_gpu_train_batch_size: None
• —per_gpu_eval_batch_size: None
• —gradient_accumulation_steps: 5
• —eval_accumulation_steps: None
• —torch_empty_cache_steps: None
• —learning_rate: 5e-06
• —weight_decay: 0.0
• —adam_beta1: 0.9
• —adam_beta2: 0.999
• —adam_epsilon: 1e-08
• —max_grad_norm: 1.0
• —num_train_epochs: 3
• —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: False
• —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: 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: 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: True
• —resume_from_checkpoint: None
• —hub_model_id: iambestfeed/phobert-base-v2-finetuned-filtereddatawseg-lr5e-06
• —hub_strategy: every_save
• —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
• —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: no_duplicates
• —multi_dataset_batch_sampler: proportional

</details>

Training Logs

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

</details>

Framework Versions

• —Python: 3.10.12
• —Sentence Transformers: 3.3.1
• —Transformers: 4.47.0
• —PyTorch: 2.5.1+cu121
• —Accelerate: 1.2.1
• —Datasets: 3.3.1
• —Tokenizers: 0.21.0

Citation

BibTeX

Sentence Transformers

@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

@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. -->