metadata

base_model: jhgan/ko-sroberta-multitask
datasets: []
language: []
library_name: sentence-transformers
pipeline_tag: sentence-similarity
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:7634
  - loss:MultipleNegativesRankingLoss
widget:
  - source_sentence: 필름디지털 SLR카메라를 다루는 방법을 익혀 창의력있는 사진 촬영부터 기초적인 컴퓨터
    sentences:
      - 회진 매일 월 오리엔테이션 POMR케이스발표 외래참관 가정의학 총론 강의 화 외래참관
      - 이해하기 퀴즈 배열 이해하기 이미지와 카메라의 활용 본인 작업 계획 발표
      - 익히면서 통계학의 기초 개념과 원리를 익혀보는 것은 이론적으로 접근하는 것만큼 중요한
  - source_sentence: 선택 삽입정렬 구현 실습과제 상향식 힙 생성 구현 힙 정렬 구현유일키
    sentences:
      - 서양의학사 세기 의학의 발전 지역사회의학 실험실의학바이넘 서양의학사 현충일 우리나라 현대 의학의
      - 섬유예술의 기초기법 실습 위빙 표현연구 섬유예술의 기초기법 기법 소개 페이퍼 메이킹Paper
      - 개념 힙의 구현과 연산 우선순위큐 힙 연산의 복잡도 분석 힙 정렬
  - source_sentence: 군밤타령 경복궁 타령 실습 강원도 아리랑
    sentences:
      - 추가 강의 동영상으로 보강 대체 밀집성 천체물리학 Ch 창립 주년 기념일
      - 분석 보고서 제출마감시한 월 일 밤 시 기획기사 분석 보고서 발표
      - 또한 극한점 수렴성 거리 연속성 연결성 컴팩트성
  - source_sentence: 이야기가 담긴 몸 창작 작업 스토리텔링 일상에서 발견한 소소한 움직임들 창작
    sentences:
      - 이해 및 실습 사전 훈련 모델Pretrained Model 활용 실습 Object Detection
      - 본인의 관심사를 공유하고 이야기를 나누고 덧붙이고 덜어내고 편집하여 거대한 이야기로 완성합니다
      - 트랜스미디어 스토리텔링의 유형소형 금 트랜스미디어 스토리텔링의 두 가지 유형 중 소형에
  - source_sentence: 행위의 개념 로서의 조형 실습 시멘트 석고 모래 물 입체덩어리 세우기
    sentences:
      - 움직임을 강건하게 만드는 체력운동과 적극적인 공 방 기술을 익힌다
      - 특히 르네상스 종교개혁 시민혁명 내셔널리즘과 통일 국가의 형성 등의 주요
      - 추석 연휴 회전축에 대한 관성 모멘트 관성모멘트 측정 중등물리실험 전류가 만드는

SentenceTransformer based on jhgan/ko-sroberta-multitask

This is a sentence-transformers model finetuned from jhgan/ko-sroberta-multitask. 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: jhgan/ko-sroberta-multitask
Maximum Sequence Length: 128 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': 128, '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("jh8416/my_ewha_model_2024_1")
# Run inference
sentences = [
    '행위의 개념 로서의 조형 실습 시멘트 석고 모래 물 입체덩어리 세우기',
    '추석 연휴 회전축에 대한 관성 모멘트 관성모멘트 측정 중등물리실험 전류가 만드는',
    '움직임을 강건하게 만드는 체력운동과 적극적인 공 방 기술을 익힌다',
]
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]

Training Details

Training Dataset

Unnamed Dataset

Size: 7,634 training samples
Columns: sentence_0 and sentence_1
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1
type string string
details
min: 7 tokens
mean: 24.61 tokens
max: 73 tokens

min: 5 tokens
mean: 25.39 tokens
max: 73 tokens

	sentence_0	sentence_1
type	string	string
details	min: 7 tokens mean: 24.61 tokens max: 73 tokens	min: 5 tokens mean: 25.39 tokens max: 73 tokens

Samples:

sentence_0	sentence_1
`딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를`	`밸런스를 향상을 위한 트레이닝 방법 트레이닝실습 팀 프로젝트 트레이닝 실습 팀`
`딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를`	`딥러닝 딥러닝의 역사 프로젝트 발표 인공`
`딥러닝은 머신러닝 기법의 일부로 사물이나 데이터를`	`딥러닝 기반 의료영상 응용연구 동향 신태훈`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 1
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

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: 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: 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: 1
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: 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: 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
eval_use_gather_object: False
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Framework Versions

Python: 3.12.0
Sentence Transformers: 3.0.1
Transformers: 4.43.3
PyTorch: 2.4.0+cu121
Accelerate: 0.33.0
Datasets: 2.20.0
Tokenizers: 0.19.1

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}
}