truong1301/NCKH_MLOPS_BI_ENCODE

SentenceTransformer based on VoVanPhuc/sup-SimCSE-VietNamese-phobert-base

This is a sentence-transformers model finetuned from VoVanPhuc/sup-SimCSE-VietNamese-phobert-base. 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: VoVanPhuc/sup-SimCSE-VietNamese-phobert-base <!-- at revision 608779b86741a8acd8c8d38132974ff04086b138 -->
• —Maximum Sequence Length: 256 tokens
• —Output Dimensionality: 768 dimensions
• —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': 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("sentence_transformers_model_id")
# Run inference
sentences = [
    'Ông nội của Thái_Tông Trần_Cảnh có tên là gì ?',
    'Tổ_tiên nhà Trần vốn làm nghề chài_lưới , có gốc là người Mân Việt ở tỉnh Phúc Kiến di_cư đến đất Đại_Việt . Những hậu_duệ của nhà Trần là con_cháu lai giữa dòng dõi nhà Trần và dòng dõi nhà Lý như trong trường_hợp của Trần_Lý và Trần_Thừa , và con của Trần_Thừa là Trần_Thái_Tông đã trở_thành vị vua đầu_tiên của nhà Trần . Người họ Trần đầu_tiên đến Đại_Việt là Trần_Kính , đến định_cư tại làng Tức_Mặc ( nay là phường Lộc_Vượng , thành_phố Nam_định ) sống bằng nghề đánh_cá . Sau ba đời con_cháu sống ở Đại_Việt , họ Trần trở_nên giàu_có và hùng_mạnh dưới đời Trần_Lý , là cháu của Trần_Kính . Trần_Lý sinh ra Trần_Thừa . Vua ( Thái_Tông Trần_Cảnh ) là con_thứ của Thừa , mẹ họ Lê , sinh ngày 16 tháng 6 năm Mậu Dần , Kiến_Gia thứ 8 triều Lý .',
    'Thiên_văn_học tia_gamma là việc nghiên_cứu các vật_thể vũ_trụ ở các bước_sóng ngắn nhất của quang_phổ điện từ . Các tia_gamma có_thể được quan_sát trực_tiếp bằng các vệ_tinh như Đài_quan_sát Tia_Gamma_Compton hay bởi các kính_viễn_vọng đặc_biệt được gọi là kính_viễn_vọng khí_quyển Cherenkov . Các kính_viễn_vọng Cherenkov trên thực_tế không trực_tiếp thám_sát các tia_gamma mà thay vào đó thám_sát các đám loé bùng của ánh_sáng nhìn thấy được tạo ra khi các tia_gamma bị khí_quyển Trái_Đất hấp_thụ .',
]
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

Unnamed Dataset

• —Size: 18,777 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: 7 tokens</li><li>mean: 15.35 tokens</li><li>max: 49 tokens</li></ul> | <ul><li>min: 91 tokens</li><li>mean: 164.53 tokens</li><li>max: 256 tokens</li></ul> |
• —Samples: | anchor | positive | |:--------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>Từ sâm bổ lượng tiếng nho đọc thành gì ?</code> | <code>Tuynhiên trong thựctế có rất nhiều loại chè , mỗi loại dùng một kiểu thànhphần khác nhau . Có các loại chè như : chè conong ( hay chè bàcốt ) , chè đậuxanh , chè đậuđen , chè ngô cốm , chè đỗ đỏ , chè đỗ trắng , chè bưởi , chè thậpcẩm , chèhạt sen longnhãn , v . v . Một món chè có nguồngốc từ TrungHoa nhưng cũng được nhiều người Việt biết tới là chè mè đen hay xí mè phủ ( phátâm kiểu người Hoa ) làm từ hạt mè đen và sâm bổ lượng ( đúngra chữ Nho phải đọc là " thanh bổ lượng " ) . Các món chè Huế và chè HàNội nổitiếng vì phongphú , đadạng chủngloại với chấtlượng cao .</code> | | <code>Chínhphủ nào không được côngnhận bởi chínhquyền ViệtNam Dânchủ Cộnghòa ?</code> | <code>Trong thờigian đầu , chínhquyền ViệtNam Dânchủ Cộnghòa côngnhận Chínhphủ Cáchmạng lâmthời Cộnghòa miền Nam ViệtNam , và không côngnhận chínhphủ ViệtNamCộnghòa . Các cuộc đấutranh ở Miền Nam giaiđoạn này ViệtNam Dânchủ Cộnghòa cơbản không kiểmsoát được hoàntoàn , mà do các đảngbộ miền Namtự chỉđạo , có khi vượt ngoài chỉđạo của Trungương . Sau Hộinghị Trungương 15 và saunày rađời Mặttrận , ViệtNam Dânchủ Cộnghòa không côngnhận ViệtNamCộnghòa và côngkhai ủnghộ cho phía cáchmạng Miền Nam .</code> | | <code>Hiệnnay , kinhkỳ của ViệtNam là ở đâu ?</code> | <code>HàNội là thủđô của nước Cộnghòa xãhội chủnghĩa ViệtNam và cũng là kinhđô của hầuhết các vươngtriều phongkiến Việt trước đây . Do đó , lịchsử HàNộigắn liền với sự thăngtrầm của lịchsử ViệtNam qua các thờikỳ . HàNội là thànhphố trựcthuộc trungương có diệntích lớn nhất cả nước từ khi tỉnh HàTây sápnhập vào , đồngthời cũng là địaphương đứng thứ nhì về dânsố với gần 8 triệu người ( năm 2018 ) , sau Thànhphố HồChíMinh . Tuynhiên , nếu tính những người cưtrú không đăngký thì dânsố thựctế của thànhphố này năm 2017 là hơn 9 triệu người . Hiệnnay , HàNội và Thànhphố HồChíMinh là hai đôthị loại đặcbiệt của Việt_Nam .</code> |
• —Loss: <code>CachedMultipleNegativesRankingLoss</code> with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• —Size: 2,087 evaluation 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: 7 tokens</li><li>mean: 15.52 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 83 tokens</li><li>mean: 166.28 tokens</li><li>max: 256 tokens</li></ul> |
• —Samples: | anchor | positive | |:-------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | <code>Hộiđồng nào mà ĐôngĐức là một thànhviên trong đó ?</code> | <code>Thànhlập từ năm 1949 , tuynhiên , đến năm 1955 , ĐôngĐức mới tuyênbố đầyđủ quyền tựtrị như mộtthểchế nhànước . Dầuvậy , quânđội LiênXô vẫn đóng trên lãnhthổ nước này theo Hiệpđịnh Potsdam giữa bốn cườngquốc chiếnthắng trong Chiếntranh thếgiới thứ hai là HoaKỳ , Anh , Pháp và LiênXô . Vì quânđội khối NATO còn hiệndiện tại TâyĐức và TâyBerlin , ĐôngĐức và Berlin trởthànhtâmđiểm của Chiếntranh Lạnh . ĐôngĐức là thànhviên Hiệpước Warszawa , Hộiđồng Tươngtrợ Kinhtế và đồngthời là đồngminh thâncận của LiênXô .</code> | | <code>Nhiệmvụ của đườngống Baku - Tbilisi - Ceyhan là gì ?</code> | <code>ThổNhĩKỳ chiasẻ disản vănhóavà ngônngữ chung với các quốcgia Turk độclập từ LiênXô vào năm 1991 , điều này cho phép ThổNhĩKỳ khoách trương quanhệ kinhtế và chínhtrị sâu vào TrungÁ , Đườngống Baku - Tbilisi - Ceyhan tạo thành bộphận trong chiếnlược chínhsách đốingoại của ThổNhĩKỳ để trởthành một nơi chuyểntiếp nănglượng đến phương Tây . Tuynhiên , biêngiới ThổNhĩKỳ - Armenia bị đóngcửa do ThổNhĩKỳ ủnghộ Azerbaijan trong Chiếntranh Nagorno - Karabakh và nay vẫn bị đóngcửa .</code> | | <code>Vìsao Vua và Hoànghậu không thích Voltaire và đuổi ông ra khỏi Versailles ?</code> | <code>Những năm 1740 Voltaire được triều đình chàođón với tưcách nhà viết kịch và nhàthơ , nhưng do xuấtthân thấpkém ( ông là con của một côngchứngviên và chaông cũng là người Jansen ) khiến Vua và Hoànghậu thấy không vừamắt , cuốicùng ông buộc phải rời khỏi Versailles . Ông đến Berlin , trởthành một cốvấn cho Friedrich Đạiđế , trước khi đến sống ở Genève và Savoia cách xa Paris . Một trong những đềxuất nổitiếng của Voltaire được Louis XV chúý ; khi Nhàvua đànáp Nghịviện của giới quýtộc , yêucầu tấtcả tầnglớp đều phải nộp thuế như nhau , và loạibỏ những cáobuộc của những họ . Ông nói : " Nghịviện của vua ! Các ngươi có tráchnhiệm trả lại cônglý cho người dân ! Trả lại cônglý cho chính các ngươi ! ... Trên thếgiới không có tòaán nào dám tranhgiành quyềnlực với quân vương . " Tuynhiên , những năm cuối thời nhàvua không có cảicách nào , gây nãolòng cho Voltaire . Khi nhàvua bănghà , Voltaire viết về thờikì này , " 56 năm , qua đi với những mệtmỏi và nhữ...</code> |
• —Loss: <code>CachedMultipleNegativesRankingLoss</code> with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• —eval_strategy: steps
• —per_device_train_batch_size: 32
• —per_device_eval_batch_size: 32
• —learning_rate: 2e-05
• —weight_decay: 0.01
• —num_train_epochs: 5
• —warmup_ratio: 0.1
• —warmup_steps: 50
• —fp16: True
• —load_best_model_at_end: True
• —batch_sampler: no_duplicates

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: 32
• —per_device_eval_batch_size: 32
• —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: 2e-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: 5
• —max_steps: -1
• —lr_scheduler_type: linear
• —lr_scheduler_kwargs: {}
• —warmup_ratio: 0.1
• —warmup_steps: 50
• —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: True
• —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: 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

Framework Versions

• —Python: 3.11.10
• —Sentence Transformers: 3.4.1
• —Transformers: 4.49.0
• —PyTorch: 2.5.1+cu124
• —Accelerate: 1.4.0
• —Datasets: 3.3.2
• —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",
}

CachedMultipleNegativesRankingLoss

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

<!--

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. -->