---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- dense
- generated_from_trainer
- dataset_size:9450
- loss:CosineSimilarityLoss
base_model: klue/roberta-base
widget:
- source_sentence: 전자레인지를 사용할 수 있고 레토르트 음식을 데우는 정도의 조리는 가능합니다.
sentences:
- 지자체별 내역은 보도자료를 참고하여 주시기 바랍니다.
- 역까지는 버스를 타야 갈 수 있는 정도예요.
- 부엌이나 세탁기에 아무런 문제가 없어요.
- source_sentence: 자꾸 늦지 말고 아침 운동 일정을 잘 지켰으면 한다.
sentences:
- 지금 ‘코로나19’의 엄중한 상황을 헤쳐 가는 힘도
- 포기하지 말고 아침 운동 일정을 잘 지키자.
- 이것은 숙박비가 매우 비싼 샌프란시스코에서 합리적인 선택입니다.
- source_sentence: 주차비가 무료인것도 아주 큰 메리트입니다 가격대비 만족스럽습니다
sentences:
- 샤워실 배수가 좀 약하긴 하지만 가격대비 강추합니다.
- 주차가 무료인 것도 큰 장점입니다. 가격에 만족해요.
- 인터넷이나 모바일 앱을 통한 예약 및 여객선 발행을 허용하는 모바일 탑승권 제도가 모든 여객선으로 확대됩니다.
- source_sentence: 또한 숙소앞에 있을거는 다있기 때문에 불편한것도 없었읍니다
sentences:
- 비무장지대에서 뛰어난 생태, 문화, 역사적 자원을 생생하게 체험할 수 있는 "DMZ 평화의 길" 7개 노선이 올해 추가로 개통될 예정입니다.
- 우리는 9일 동안 이곳에서 즐거운 시간을 보냈습니다.
- 숙소 바로 앞에 편의점 있는 것도 마음에 들었습니다
- source_sentence: 숙소 건너편에 큰 슈퍼가 있어 이용하기도 편리합니다.
sentences:
- 방 건너편에 큰 슈퍼마켓이 있어서 사용하기 편리해요.
- 벌레 본적도없고, 화장실도 청결합니다.
- 국토부는 이번 사업 완료를 시작으로 도시재생뉴딜사업의 성과가 본격적으로 확산될 것으로 기대했다.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- pearson_cosine
- spearman_cosine
model-index:
- name: SentenceTransformer based on klue/roberta-base
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: Unknown
type: unknown
metrics:
- type: pearson_cosine
value: 0.766808334759943
name: Pearson Cosine
- type: spearman_cosine
value: 0.7976937723825233
name: Spearman Cosine
- type: pearson_cosine
value: 0.9411712662160735
name: Pearson Cosine
- type: spearman_cosine
value: 0.8931997913185528
name: Spearman Cosine
---
# SentenceTransformer based on klue/roberta-base
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [klue/roberta-base](https://huggingface.co/klue/roberta-base). It maps sentences & paragraphs to a 1536-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:** [klue/roberta-base](https://huggingface.co/klue/roberta-base)
- **Maximum Sequence Length:** 512 tokens
- **Output Dimensionality:** 1536 dimensions
- **Similarity Function:** Cosine Similarity
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 512, 'do_lower_case': False, 'architecture': 'RobertaModel'})
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': True, '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:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
'숙소 건너편에 큰 슈퍼가 있어 이용하기도 편리합니다.',
'방 건너편에 큰 슈퍼마켓이 있어서 사용하기 편리해요.',
'국토부는 이번 사업 완료를 시작으로 도시재생뉴딜사업의 성과가 본격적으로 확산될 것으로 기대했다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1536]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000, 0.8597, -0.0019],
# [ 0.8597, 1.0000, 0.0306],
# [-0.0019, 0.0306, 1.0000]])
```
## Evaluation
### Metrics
#### Semantic Similarity
* Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.7668 |
| **spearman_cosine** | **0.7977** |
#### Semantic Similarity
* Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| pearson_cosine | 0.9412 |
| **spearman_cosine** | **0.8932** |
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 9,450 training samples
* Columns: sentence_0, sentence_1, and label
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | label |
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:---------------------------------------------------------------|
| type | string | string | float |
| details | - min: 6 tokens
- mean: 20.09 tokens
- max: 65 tokens
| - min: 6 tokens
- mean: 19.38 tokens
- max: 58 tokens
| - min: 0.0
- mean: 0.43
- max: 1.0
|
* Samples:
| sentence_0 | sentence_1 | label |
|:------------------------------------------------------|:------------------------------------------------|:--------------------------------|
| 근데 시설이랑 뷰랑 그런 게 다 했어요 | 집 근처에 슈퍼마켓 과일야채가게 다가까워요. | 0.0 |
| 다만 오페라하우스는 10분이상 걸려요 추천할만한 곳 입니다 | 하지만 오페라 하우스는 추천하는데 10분 이상이 걸립니다. | 0.6799999999999999 |
| 호주의 전형적인 주택가의 분위기와 주택을 느낄 수 있었던 것 같습니다. | 호주의 전형적인 주택가의 분위기와 주거를 느낄 수 있었습니다. | 0.9199999999999999 |
* Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters:
```json
{
"loss_fct": "torch.nn.modules.loss.MSELoss"
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 16
- `per_device_eval_batch_size`: 16
- `num_train_epochs`: 4
- `multi_dataset_batch_sampler`: round_robin
#### 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`: 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`: 4
- `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}
- `parallelism_config`: None
- `deepspeed`: None
- `label_smoothing_factor`: 0.0
- `optim`: adamw_torch_fused
- `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
- `hub_revision`: None
- `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
- `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
- `liger_kernel_config`: None
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: None
- `batch_sampler`: batch_sampler
- `multi_dataset_batch_sampler`: round_robin
- `router_mapping`: {}
- `learning_rate_mapping`: {}