seongil-dn/e5-large-filtered-our-neg5-5544

SentenceTransformer based on intfloat/e5-large-unsupervised

This is a sentence-transformers model finetuned from intfloat/e5-large-unsupervised. 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/e5-large-unsupervised <!-- at revision 15af9288f69a6291f37bfb89b47e71abc747b206 -->
• —Maximum Sequence Length: 512 tokens
• —Output Dimensionality: 1024 tokens
• —Similarity Function: Cosine Similarity <!-- - Training Dataset: Unknown --> <!-- - 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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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:

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("seongil-dn/e5-large-filtered-our-neg5-5544")
# Run inference
sentences = [
    'query: 쿠첸은 적자행진에서 어떻게 벗어났어?',
    'passage: 쿠첸이 4분기만에 적자행진에서 벗어났다. 수익성 회복을 위한 판매 채널 확대, 원가율 개선 노력과 신제품 출시 등 호재가 맞물렸다. 16일 생활가전업계 및 증권가에 따르면 쿠첸은 지난 1.4분기 619억원의 매출액과 13억원의 영업이익을 기록했다. 매출액은 1년전 685억원에 비해 9.7% 줄었지만 영업이익은 6억원에서 13억원으로 두배이상 늘었다. 이에 따라 쿠첸은 지난 2.4분기부터 시작된 분기 기준 적자 행진에서 벗어나게 됐다. 쿠첸은 지난해 1.4분기 6억원의 영업이익을 기록한 이후 2.4분기에 57억원 손실, 3.4분기 12억원 손실, 4.4분기 20억원 적자 등 작년 한 해 83억원 가량의 손실을 입었다. 금액 기준으로 역대 최대 규모였다. 회사 측은 올 1.4분기 설 연휴로 호실적이 가능했다고 본다. 실제로 지난해 4.4분기 대비로 IH압력밥솥, 열판압력밥솥, 일반밥솥, 전기레인지, 기타품목 모두 매출이 상승했다. 특히 쿠첸의 야심작이었던 IR밥솥과 전기레인지가 함께 나아지고 있는 점이 특징이다. 프리미엄급 IR밥솥 비중이 순차적으로 증가하고 있고, 전기레인지 인지도 확대에 따라 홈쇼핑.B2B 채널에서 판매 호조를 나타냈다고 회사 측은 설명했다. 판매 채널을 수수료가 높은 오프라인에서 온라인 위주로 개선하고, 원가율을 낮추는 등 노력을 기울이고 있다.',
    'passage: 현대에이치씨엔(126560)은 52주신고가를 기록하고 있어 주목할만하다. 동종목의 현재 주가는 4,650원 선에서 이루어지고 있다. 거래일을 기준으로 최근 3일간 평균 거래량은 31만 주이다. 이는 60일 일 평균 거래량 9만 주와 비교해보면 최근 거래량이 급격히 늘어났다는 것을 알 수 있다. 거래비중 기관 30.5%, 외국인 28.18% 최근 한달간 주체별 거래비중을 살펴보면 개인이 전체 거래량의 41.31%를 차지하며 가장 활발한 참여를 보였고, 기관은 30.5%, 외국인은 28.18%의 거래 참여율을 보였다. 그리고 최근 5일간 거래비중은 개인이 전체 거래의 35.43%를 차지하며 가장 적극적인 모습을 보여줬고, 외국인은 33.83%를 나타냈으며 기관은 30.73%를 나타냈다. 외국인/기관 순매수, 개인은 순매도(한달누적) 전일까지 기관이 2일 연속, 외국인이 10일 연속 각각 동종목을 순매수 했다. 4주간을 기준으로 보면 외국인이 초반에 동종목을 순매수한 이후에 기세를 이어가며 158,133주를 순매수했고, 기관도 초반에 동종목을 순매수한 이후에 최근에는 순매수량이 줄어들고 있음에도 불구하고 3,362주를 순매수했다. 반면 개인들은 매도쪽으로 방향을 잡으면서 161,495주를 순매도한 것으로 나타났다. fnRASSI는 증권전문 기업 씽크풀과 파이낸셜뉴스의 협업으로 로봇기자가 실시간으로 생산하는 기사입니다.',
]
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 Hyperparameters

Non-Default Hyperparameters

• —per_device_train_batch_size: 40
• —learning_rate: 0.0001
• —adam_epsilon: 1e-07
• —num_train_epochs: 5
• —warmup_ratio: 0.05
• —bf16: True

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: 40
• —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: 0.0001
• —weight_decay: 0.0
• —adam_beta1: 0.9
• —adam_beta2: 0.999
• —adam_epsilon: 1e-07
• —max_grad_norm: 1.0
• —num_train_epochs: 5
• —max_steps: -1
• —lr_scheduler_type: linear
• —lr_scheduler_kwargs: {}
• —warmup_ratio: 0.05
• —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: True
• —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: 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
• —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
• —eval_use_gather_object: False
• —batch_sampler: batch_sampler
• —multi_dataset_batch_sampler: proportional

</details>

Training Logs

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