meandyou200175/vn_biencoder_CachedMultipleNegativesRankingLoss

SentenceTransformer based on bkai-foundation-models/vietnamese-bi-encoder

This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder. 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: bkai-foundation-models/vietnamese-bi-encoder
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity

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("meandyou200175/vn_biencoder_CachedMultipleNegativesRankingLoss")
# Run inference
sentences = [
    'Bác sĩ cho em hỏi, em bị rạn nứt xương gót chân bên phải. Em bị hơn 1 tháng nay rồi. Em bỏ thuốc lá. Em muốn hỏi bác sĩ thông thường bó bột hơn hay thuốc lá hơn? Như của em khoảng bao lâu thì khỏi? Và giờ em vẫn chưa đi được bác sĩ ạ. Em cảm ơn.',
    'Chào em, Thứ nhất, bắt buộc phải có phim Xquang để biết em có thực sự nứt xương gót hay bị gãy phức tạp hơn, vì nhiều trường hợp tưởng chỉ nứt xương thôi nhưng thật ra là vỡ phức tạp, phải phẫu thuật mới nhanh ổn được. Thứ hai, theo nguyên tắc điều trị nứt gãy xương là phải cố định tốt để can xương mọc ra, chỗ nứt gãy mới được nối liền. Do đó, nếu bó bột thì chân sẽ được cố định liên tục trong 4-6 tuần, còn bó lá thì phải thay thường xuyên, mỗi lần thay là 1 lần xê dịch nên xương khó lành. Tốt hơn hết em nên đến Bệnh viện Chấn thương Chỉnh hình để được kiểm tra và điều trị thích hợp, em nhé. Thân mến.',
    'Chào bạn, Qua hình ảnh sang thương và mô tả triệu chứng, bệnh lý của bạn có khả năng là chàm hay còn gọi là viêm da dị ứng với đặc điểm là viêm và nổi mụn nhỏ, ngứa ngáy. Nguyên nhân của chàm hiện nay chưa rõ nhưng có thể do cơ địa dị ứng (người mắc hen, viêm mũi dị ứng có nguy cơ cao mắc chàm), do kích thích của hóa chất như nước rửa chén, bột giặt, cao su, kim loại, chất liệu giày dép (chàm tiếp xúc),... Thời tiết lạnh, stress, đổ mồ hôi nhiều và phấn hoa... cũng là những nguyên nhân có thể khiến da bị chàm. Chàm cũng có thể gặp ở người bị suy van tĩnh mạch, giãn tĩnh mạch chân khiến tình trạng bệnh dai dẳng, kém đáp ứng điều trị. Điều trị chàm thường phải sử dụng một số loại thuốc bôi da kéo dài, có thể để lại tác dụng phụ, do đó bạn nên khám BS Da liễu để kê toa loại thuốc phù hợp. Ngoài ra, bạn nên chú ý xem có yếu tố nào thường kích thích khởi phát chàm để tránh cho bệnh tái phát bạn nhé! Thân mến.',
]
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]

Evaluation

Metrics

Information Retrieval

• Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.695
cosine_accuracy@2	0.7874
cosine_accuracy@5	0.8784
cosine_accuracy@10	0.924
cosine_accuracy@100	0.9918
cosine_precision@1	0.695
cosine_precision@2	0.3937
cosine_precision@5	0.1757
cosine_precision@10	0.0924
cosine_precision@100	0.0099
cosine_recall@1	0.695
cosine_recall@2	0.7874
cosine_recall@5	0.8784
cosine_recall@10	0.924
cosine_recall@100	0.9918
cosine_ndcg@10	0.8092
cosine_mrr@1	0.695
cosine_mrr@2	0.7412
cosine_mrr@5	0.7664
cosine_mrr@10	0.7725
cosine_mrr@100	0.7758
cosine_map@100	0.7758
dot_accuracy@1	0.6813
dot_accuracy@2	0.7747
dot_accuracy@5	0.8711
dot_accuracy@10	0.9213
dot_accuracy@100	0.992
dot_precision@1	0.6813
dot_precision@2	0.3873
dot_precision@5	0.1742
dot_precision@10	0.0921
dot_precision@100	0.0099
dot_recall@1	0.6813
dot_recall@2	0.7747
dot_recall@5	0.8711
dot_recall@10	0.9213
dot_recall@100	0.992
dot_ndcg@10	0.8003
dot_mrr@1	0.6813
dot_mrr@2	0.728
dot_mrr@5	0.755
dot_mrr@10	0.7617
dot_mrr@100	0.7652
dot_map@100	0.7652

Training Details

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• learning_rate: 2e-05
• num_train_epochs: 5
• warmup_ratio: 0.1
• fp16: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• 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: 0.0
• 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: 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: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}
• fsdp_transformer_layer_cls_to_wrap: None
• accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': 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
• use_liger_kernel: False
• eval_use_gather_object: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	cosine_map@100
0	0	-	-	0.5553
0.0365	100	0.4426	-	-
0.0730	200	0.3028	-	-
0.1096	300	0.2468	-	-
0.1461	400	0.2433	-	-
0.1826	500	0.2074	-	-
0.2191	600	0.1852	-	-
0.2557	700	0.1829	-	-
0.2922	800	0.1825	-	-
0.3287	900	0.1663	-	-
0.3652	1000	0.1626	0.1312	0.7130
0.4018	1100	0.1363	-	-
0.4383	1200	0.1832	-	-
0.4748	1300	0.1559	-	-
0.5113	1400	0.1286	-	-
0.5478	1500	0.1423	-	-
0.5844	1600	0.1399	-	-
0.6209	1700	0.1344	-	-
0.6574	1800	0.1285	-	-
0.6939	1900	0.1274	-	-
0.7305	2000	0.1239	0.1054	0.7309
0.7670	2100	0.114	-	-
0.8035	2200	0.1179	-	-
0.8400	2300	0.1152	-	-
0.8766	2400	0.1006	-	-
0.9131	2500	0.1265	-	-
0.9496	2600	0.138	-	-
0.9861	2700	0.1117	-	-
1.0226	2800	0.0932	-	-
1.0592	2900	0.0862	-	-
1.0957	3000	0.0962	0.0834	0.7441
1.1322	3100	0.0749	-	-
1.1687	3200	0.0815	-	-
1.2053	3300	0.0749	-	-
1.2418	3400	0.062	-	-
1.2783	3500	0.0625	-	-
1.3148	3600	0.0657	-	-
1.3514	3700	0.0521	-	-
1.3879	3800	0.0325	-	-
1.4244	3900	0.0633	-	-
1.4609	4000	0.035	0.0734	0.7630
1.4974	4100	0.0351	-	-
1.5340	4200	0.0326	-	-
1.5705	4300	0.0294	-	-
1.6070	4400	0.0293	-	-
1.6435	4500	0.0208	-	-
1.6801	4600	0.0321	-	-
1.7166	4700	0.0252	-	-
1.7531	4800	0.0234	-	-
1.7896	4900	0.0251	-	-
1.8262	5000	0.0245	0.0734	0.7611
1.8627	5100	0.0206	-	-
1.8992	5200	0.0255	-	-
1.9357	5300	0.0396	-	-
1.9722	5400	0.0311	-	-
2.0088	5500	0.0236	-	-
2.0453	5600	0.0215	-	-
2.0818	5700	0.0216	-	-
2.1183	5800	0.017	-	-
2.1549	5900	0.0193	-	-
2.1914	6000	0.018	0.0697	0.7700
2.2279	6100	0.0189	-	-
2.2644	6200	0.0162	-	-
2.3009	6300	0.0168	-	-
2.3375	6400	0.0176	-	-
2.3740	6500	0.0098	-	-
2.4105	6600	0.0131	-	-
2.4470	6700	0.0124	-	-
2.4836	6800	0.0091	-	-
2.5201	6900	0.0067	-	-
2.5566	7000	0.0096	0.0683	0.7667
2.5931	7100	0.0065	-	-
2.6297	7200	0.0072	-	-
2.6662	7300	0.01	-	-
2.7027	7400	0.0067	-	-
2.7392	7500	0.0058	-	-
2.7757	7600	0.0067	-	-
2.8123	7700	0.0078	-	-
2.8488	7800	0.0071	-	-
2.8853	7900	0.0081	-	-
2.9218	8000	0.0102	0.0655	0.7740
2.9584	8100	0.0088	-	-
2.9949	8200	0.0072	-	-
3.0314	8300	0.0072	-	-
3.0679	8400	0.0052	-	-
3.1045	8500	0.0057	-	-
3.1410	8600	0.005	-	-
3.1775	8700	0.0042	-	-
3.2140	8800	0.0058	-	-
3.2505	8900	0.0063	-	-
3.2871	9000	0.0049	0.0671	0.7726
3.3236	9100	0.0047	-	-
3.3601	9200	0.0054	-	-
3.3966	9300	0.0029	-	-
3.4332	9400	0.0044	-	-
3.4697	9500	0.0037	-	-
3.5062	9600	0.0036	-	-
3.5427	9700	0.004	-	-
3.5793	9800	0.0026	-	-
3.6158	9900	0.0021	-	-
3.6523	10000	0.0028	0.0626	0.7758
3.6888	10100	0.0027	-	-
3.7253	10200	0.0026	-	-
3.7619	10300	0.0031	-	-
3.7984	10400	0.0023	-	-
3.8349	10500	0.0039	-	-
3.8714	10600	0.0024	-	-
3.9080	10700	0.0027	-	-
3.9445	10800	0.003	-	-
3.9810	10900	0.0029	-	-
4.0175	11000	0.0024	0.0635	0.7734
4.0541	11100	0.002	-	-
4.0906	11200	0.0026	-	-
4.1271	11300	0.0023	-	-
4.1636	11400	0.0021	-	-
4.2001	11500	0.0021	-	-
4.2367	11600	0.0026	-	-
4.2732	11700	0.002	-	-
4.3097	11800	0.002	-	-
4.3462	11900	0.0019	-	-
4.3828	12000	0.0015	0.0612	0.7736
4.4193	12100	0.0017	-	-
4.4558	12200	0.002	-	-
4.4923	12300	0.0018	-	-
4.5289	12400	0.0014	-	-
4.5654	12500	0.0016	-	-
4.6019	12600	0.0013	-	-
4.6384	12700	0.0013	-	-
4.6749	12800	0.0016	-	-
4.7115	12900	0.0014	-	-
4.7480	13000	0.0015	0.0610	0.7758
4.7845	13100	0.0014	-	-
4.8210	13200	0.0012	-	-
4.8576	13300	0.0016	-	-
4.8941	13400	0.0015	-	-
4.9306	13500	0.0016	-	-
4.9671	13600	0.0015	-	-

Framework Versions

• Python: 3.10.14
• Sentence Transformers: 3.2.1
• Transformers: 4.45.1
• PyTorch: 2.4.0
• Accelerate: 0.34.2
• Datasets: 3.0.1
• Tokenizers: 0.20.0

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}
}