| --- |
| base_model: vinai/phobert-base-v2 |
| datasets: [] |
| language: [] |
| library_name: sentence-transformers |
| metrics: |
| - pearson_cosine |
| - spearman_cosine |
| - pearson_manhattan |
| - spearman_manhattan |
| - pearson_euclidean |
| - spearman_euclidean |
| - pearson_dot |
| - spearman_dot |
| - pearson_max |
| - spearman_max |
| pipeline_tag: sentence-similarity |
| tags: |
| - sentence-transformers |
| - sentence-similarity |
| - feature-extraction |
| - generated_from_trainer |
| - dataset_size:291719 |
| - loss:TripletLoss |
| - loss:MultipleNegativesRankingLoss |
| - loss:CosineSimilarityLoss |
| widget: |
| - source_sentence: nếu thời_gian đến mà họ phải có một cuộc đấu_tranh johny shanon |
| có_thể là một người ngạc_nhiên |
| sentences: |
| - johny nghĩ anh ta là người giỏi nhất trong thị_trấn |
| - nếu một cuộc đấu_tranh đã xảy ra johny có_thể ngạc_nhiên đấy |
| - jay leno không phải là một diễn_viên hài |
| - source_sentence: các luật_sư tại california nông_thôn hợp_pháp báo_cáo rằng giữa |
| bốn_mươi và chín_mươi phần_trăm thẻ xanh của họ đang giữ khách_hàng rời khỏi đất_nước |
| này trong suốt thời_gian đại_diện |
| sentences: |
| - Đa_số những người cầm thẻ xanh vẫn còn ở trong đất_nước trong khi luật_sư của |
| họ đại_diện cho họ . |
| - Theo báo_cáo , một phần_trăm của khách_hàng đang giữ thẻ xanh rời khỏi đất_nước |
| trong khi luật_sư của họ vẫn còn đại_diện cho họ . |
| - Những bình_luận này được thảo_luận bởi ủy_ban và được công_bố vào ngày 12 tháng |
| 1996 . Năm 1996 . |
| - source_sentence: một tình_huống giảm_giá loại 4 là nơi mà mailer làm giảm công_việc |
| yêu_cầu bằng cách thay_đổi hành_vi của mình trong những cách hiệu_quả mà không |
| phải là dự_đoán hoặc không có vẻ đặc_biệt liên_quan đến bản_chất của giảm_giá |
| sentences: |
| - Tôi đã tạo ra một ngành công_nghiệp bối_rối . |
| - Các bưu_phẩm không có khả_năng giảm các công_việc cần_thiết . |
| - Một giảm_giá 4 liên_quan đến việc mailer giảm các công_việc cần_thiết . |
| - source_sentence: khu vườn là một sự cống_hiến mạnh_mẽ cho hàng ngàn chiến_binh ireland |
| đã chết trong chiến_tranh thế_giới tôi trong khi phục_vụ trong quân_đội anh |
| sentences: |
| - Lính Ireland không bao_giờ được phục_vụ với người anh . |
| - Hàng ngàn lính ireland đã chết trong chiến_tranh thế_giới tôi . |
| - Chúng_ta đang ở trong một thị_trấn ở bắc potomac , gần potomac . |
| - source_sentence: Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu |
| chắc chắn của việc bắt vít. |
| sentences: |
| - Có vẻ như nó đã bắt đầu bắt đầu. |
| - Hai người đàn ông đang đợi một chuyến đi bên lề đường đất. |
| - Không có ngụ ý nào về Tom trong một câu như vậy. |
| model-index: |
| - name: SentenceTransformer based on vinai/phobert-base-v2 |
| results: |
| - task: |
| type: semantic-similarity |
| name: Semantic Similarity |
| dataset: |
| name: sts evaluator |
| type: sts-evaluator |
| metrics: |
| - type: pearson_cosine |
| value: 0.5792904289945052 |
| name: Pearson Cosine |
| - type: spearman_cosine |
| value: 0.5984715236620767 |
| name: Spearman Cosine |
| - type: pearson_manhattan |
| value: 0.7080770183005275 |
| name: Pearson Manhattan |
| - type: spearman_manhattan |
| value: 0.7153829171866747 |
| name: Spearman Manhattan |
| - type: pearson_euclidean |
| value: 0.4587817183925291 |
| name: Pearson Euclidean |
| - type: spearman_euclidean |
| value: 0.5290324037028906 |
| name: Spearman Euclidean |
| - type: pearson_dot |
| value: 0.3238803314104464 |
| name: Pearson Dot |
| - type: spearman_dot |
| value: 0.507896687720032 |
| name: Spearman Dot |
| - type: pearson_max |
| value: 0.7080770183005275 |
| name: Pearson Max |
| - type: spearman_max |
| value: 0.7153829171866747 |
| name: Spearman Max |
| --- |
| |
| # SentenceTransformer based on vinai/phobert-base-v2 |
|
|
| This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2). 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:** [vinai/phobert-base-v2](https://huggingface.co/vinai/phobert-base-v2) <!-- at revision 2b51e367d92093c9688112098510e6a58bab67cd --> |
| - **Maximum Sequence Length:** 512 tokens |
| - **Output Dimensionality:** 768 tokens |
| - **Similarity Function:** Cosine Similarity |
| <!-- - **Training Dataset:** Unknown --> |
| <!-- - **Language:** Unknown --> |
| <!-- - **License:** Unknown --> |
|
|
| ### 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}) 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: |
|
|
| ```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("huudan123/stag_123") |
| # Run inference |
| sentences = [ |
| 'Câu trả lời đơn giản là có, chồi hoa trên rau diếp là một dấu hiệu chắc chắn của việc bắt vít.', |
| 'Có vẻ như nó đã bắt đầu bắt đầu.', |
| 'Hai người đàn ông đang đợi một chuyến đi bên lề đường đất.', |
| ] |
| 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.* |
| --> |
|
|
| ## Evaluation |
|
|
| ### Metrics |
|
|
| #### Semantic Similarity |
| * Dataset: `sts-evaluator` |
| * Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) |
|
|
| | Metric | Value | |
| |:-------------------|:-----------| |
| | pearson_cosine | 0.5793 | |
| | spearman_cosine | 0.5985 | |
| | pearson_manhattan | 0.7081 | |
| | spearman_manhattan | 0.7154 | |
| | pearson_euclidean | 0.4588 | |
| | spearman_euclidean | 0.529 | |
| | pearson_dot | 0.3239 | |
| | spearman_dot | 0.5079 | |
| | pearson_max | 0.7081 | |
| | **spearman_max** | **0.7154** | |
| |
| <!-- |
| ## 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 |
| |
| - `overwrite_output_dir`: True |
| - `eval_strategy`: steps |
| - `per_device_train_batch_size`: 128 |
| - `per_device_eval_batch_size`: 128 |
| - `gradient_accumulation_steps`: 2 |
| - `learning_rate`: 1e-05 |
| - `num_train_epochs`: 15 |
| - `lr_scheduler_type`: cosine_with_restarts |
| - `warmup_ratio`: 0.1 |
| - `fp16`: True |
| - `load_best_model_at_end`: True |
| - `gradient_checkpointing`: True |
| - `batch_sampler`: no_duplicates |
| |
| #### All Hyperparameters |
| <details><summary>Click to expand</summary> |
| |
| - `overwrite_output_dir`: True |
| - `do_predict`: False |
| - `eval_strategy`: steps |
| - `prediction_loss_only`: True |
| - `per_device_train_batch_size`: 128 |
| - `per_device_eval_batch_size`: 128 |
| - `per_gpu_train_batch_size`: None |
| - `per_gpu_eval_batch_size`: None |
| - `gradient_accumulation_steps`: 2 |
| - `eval_accumulation_steps`: None |
| - `learning_rate`: 1e-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`: 15 |
| - `max_steps`: -1 |
| - `lr_scheduler_type`: cosine_with_restarts |
| - `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`: True |
| - `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`: True |
| - `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 |
| - `batch_sampler`: no_duplicates |
| - `multi_dataset_batch_sampler`: proportional |
|
|
| </details> |
|
|
| ### Training Logs |
| <details><summary>Click to expand</summary> |
|
|
| | Epoch | Step | Training Loss | stage1 loss | stage2 loss | stage3 loss | sts-evaluator_spearman_max | |
| |:----------:|:--------:|:-------------:|:-----------:|:-----------:|:-----------:|:--------------------------:| |
| | 0 | 0 | - | - | - | - | 0.6643 | |
| | 0.0877 | 100 | 4.3054 | - | - | - | - | |
| | 0.1754 | 200 | 3.93 | - | - | - | - | |
| | 0.2632 | 300 | 3.585 | - | - | - | - | |
| | 0.3509 | 400 | 3.4482 | - | - | - | - | |
| | 0.4386 | 500 | 3.1858 | 4.3297 | 2.6006 | 0.1494 | 0.7527 | |
| | 0.5263 | 600 | 3.141 | - | - | - | - | |
| | 0.6140 | 700 | 2.9477 | - | - | - | - | |
| | 0.7018 | 800 | 2.6271 | - | - | - | - | |
| | 0.7895 | 900 | 2.6175 | - | - | - | - | |
| | 0.8772 | 1000 | 2.4931 | 2.9001 | 2.3487 | 0.1593 | 0.6907 | |
| | 0.9649 | 1100 | 2.4516 | - | - | - | - | |
| | 1.0526 | 1200 | 2.4662 | - | - | - | - | |
| | 1.1404 | 1300 | 2.5022 | - | - | - | - | |
| | 1.2281 | 1400 | 2.4325 | - | - | - | - | |
| | 1.3158 | 1500 | 2.4058 | 2.7163 | 2.1658 | 0.1392 | 0.7121 | |
| | 1.4035 | 1600 | 2.3305 | - | - | - | - | |
| | 1.4912 | 1700 | 2.2677 | - | - | - | - | |
| | 1.5789 | 1800 | 2.2555 | - | - | - | - | |
| | 1.6667 | 1900 | 2.2275 | - | - | - | - | |
| | 1.7544 | 2000 | 2.1846 | 2.5441 | 2.1172 | 0.1293 | 0.6781 | |
| | 1.8421 | 2100 | 2.2007 | - | - | - | - | |
| | 1.9298 | 2200 | 2.192 | - | - | - | - | |
| | 2.0175 | 2300 | 2.1491 | - | - | - | - | |
| | 2.1053 | 2400 | 2.2419 | - | - | - | - | |
| | 2.1930 | 2500 | 2.1822 | 2.4765 | 2.0476 | 0.1055 | 0.6893 | |
| | 2.2807 | 2600 | 2.1384 | - | - | - | - | |
| | 2.3684 | 2700 | 2.1379 | - | - | - | - | |
| | 2.4561 | 2800 | 2.0558 | - | - | - | - | |
| | 2.5439 | 2900 | 2.057 | - | - | - | - | |
| | 2.6316 | 3000 | 2.0263 | 2.4108 | 2.0751 | 0.0904 | 0.7016 | |
| | 2.7193 | 3100 | 1.9587 | - | - | - | - | |
| | 2.8070 | 3200 | 2.0702 | - | - | - | - | |
| | 2.8947 | 3300 | 2.0058 | - | - | - | - | |
| | 2.9825 | 3400 | 2.0093 | - | - | - | - | |
| | 3.0702 | 3500 | 2.0347 | 2.3948 | 1.9958 | 0.0937 | 0.7131 | |
| | 3.1579 | 3600 | 2.0071 | - | - | - | - | |
| | 3.2456 | 3700 | 1.9708 | - | - | - | - | |
| | 3.3333 | 3800 | 2.027 | - | - | - | - | |
| | 3.4211 | 3900 | 1.9432 | - | - | - | - | |
| | 3.5088 | 4000 | 1.9245 | 2.3858 | 2.0274 | 0.0831 | 0.7197 | |
| | 3.5965 | 4100 | 1.8814 | - | - | - | - | |
| | 3.6842 | 4200 | 1.8619 | - | - | - | - | |
| | 3.7719 | 4300 | 1.8987 | - | - | - | - | |
| | 3.8596 | 4400 | 1.8764 | - | - | - | - | |
| | 3.9474 | 4500 | 1.8908 | 2.3753 | 2.0066 | 0.0872 | 0.7052 | |
| | 4.0351 | 4600 | 1.8737 | - | - | - | - | |
| | 4.1228 | 4700 | 1.9289 | - | - | - | - | |
| | 4.2105 | 4800 | 1.8755 | - | - | - | - | |
| | 4.2982 | 4900 | 1.8542 | - | - | - | - | |
| | 4.3860 | 5000 | 1.8514 | 2.3731 | 2.0023 | 0.0824 | 0.7191 | |
| | 4.4737 | 5100 | 1.7939 | - | - | - | - | |
| | 4.5614 | 5200 | 1.8126 | - | - | - | - | |
| | 4.6491 | 5300 | 1.7662 | - | - | - | - | |
| | 4.7368 | 5400 | 1.7448 | - | - | - | - | |
| | 4.8246 | 5500 | 1.7736 | 2.3703 | 2.0038 | 0.0768 | 0.7044 | |
| | 4.9123 | 5600 | 1.7993 | - | - | - | - | |
| | 5.0 | 5700 | 1.7811 | - | - | - | - | |
| | 5.0877 | 5800 | 1.7905 | - | - | - | - | |
| | 5.1754 | 5900 | 1.7539 | - | - | - | - | |
| | 5.2632 | 6000 | 1.7393 | 2.3568 | 2.0173 | 0.0853 | 0.7263 | |
| | 5.3509 | 6100 | 1.7882 | - | - | - | - | |
| | 5.4386 | 6200 | 1.682 | - | - | - | - | |
| | 5.5263 | 6300 | 1.7175 | - | - | - | - | |
| | 5.6140 | 6400 | 1.6806 | - | - | - | - | |
| | 5.7018 | 6500 | 1.6243 | 2.3715 | 2.0202 | 0.0770 | 0.7085 | |
| | 5.7895 | 6600 | 1.7079 | - | - | - | - | |
| | 5.8772 | 6700 | 1.6743 | - | - | - | - | |
| | 5.9649 | 6800 | 1.6897 | - | - | - | - | |
| | 6.0526 | 6900 | 1.668 | - | - | - | - | |
| | 6.1404 | 7000 | 1.6806 | 2.3826 | 1.9925 | 0.0943 | 0.7072 | |
| | 6.2281 | 7100 | 1.6394 | - | - | - | - | |
| | 6.3158 | 7200 | 1.6738 | - | - | - | - | |
| | 6.4035 | 7300 | 1.6382 | - | - | - | - | |
| | 6.4912 | 7400 | 1.6109 | - | - | - | - | |
| | 6.5789 | 7500 | 1.5864 | 2.3849 | 2.0064 | 0.0831 | 0.7200 | |
| | 6.6667 | 7600 | 1.5838 | - | - | - | - | |
| | 6.7544 | 7700 | 1.5776 | - | - | - | - | |
| | 6.8421 | 7800 | 1.5904 | - | - | - | - | |
| | 6.9298 | 7900 | 1.6198 | - | - | - | - | |
| | **7.0175** | **8000** | **1.5661** | **2.3917** | **2.0038** | **0.0746** | **0.7131** | |
| | 7.1053 | 8100 | 1.6253 | - | - | - | - | |
| | 7.1930 | 8200 | 1.5564 | - | - | - | - | |
| | 7.2807 | 8300 | 1.5947 | - | - | - | - | |
| | 7.3684 | 8400 | 1.5982 | - | - | - | - | |
| | 7.4561 | 8500 | 1.53 | 2.3761 | 2.0162 | 0.0775 | 0.7189 | |
| | 7.5439 | 8600 | 1.5412 | - | - | - | - | |
| | 7.6316 | 8700 | 1.5287 | - | - | - | - | |
| | 7.7193 | 8800 | 1.4652 | - | - | - | - | |
| | 7.8070 | 8900 | 1.5611 | - | - | - | - | |
| | 7.8947 | 9000 | 1.5258 | 2.3870 | 1.9896 | 0.0828 | 0.7126 | |
| | 7.9825 | 9100 | 1.552 | - | - | - | - | |
| | 8.0702 | 9200 | 1.5287 | - | - | - | - | |
| | 8.1579 | 9300 | 1.4889 | - | - | - | - | |
| | 8.2456 | 9400 | 1.4893 | - | - | - | - | |
| | 8.3333 | 9500 | 1.5538 | 2.3810 | 1.9956 | 0.0772 | 0.7181 | |
| | 8.4211 | 9600 | 1.4863 | - | - | - | - | |
| | 8.5088 | 9700 | 1.4894 | - | - | - | - | |
| | 8.5965 | 9800 | 1.4516 | - | - | - | - | |
| | 8.6842 | 9900 | 1.4399 | - | - | - | - | |
| | 8.7719 | 10000 | 1.4699 | 2.3991 | 1.9760 | 0.0894 | 0.7122 | |
| | 8.8596 | 10100 | 1.4653 | - | - | - | - | |
| | 8.9474 | 10200 | 1.4849 | - | - | - | - | |
| | 9.0351 | 10300 | 1.4584 | - | - | - | - | |
| | 9.1228 | 10400 | 1.4672 | - | - | - | - | |
| | 9.2105 | 10500 | 1.4353 | 2.3906 | 2.0104 | 0.0760 | 0.7154 | |
|
|
| * The bold row denotes the saved checkpoint. |
| </details> |
|
|
| ### Framework Versions |
| - Python: 3.10.12 |
| - Sentence Transformers: 3.0.1 |
| - Transformers: 4.42.4 |
| - PyTorch: 2.3.1+cu121 |
| - Accelerate: 0.33.0 |
| - Datasets: 2.20.0 |
| - Tokenizers: 0.19.1 |
|
|
| ## Citation |
|
|
| ### BibTeX |
|
|
| #### Sentence Transformers |
| ```bibtex |
| @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", |
| } |
| ``` |
|
|
| #### TripletLoss |
| ```bibtex |
| @misc{hermans2017defense, |
| title={In Defense of the Triplet Loss for Person Re-Identification}, |
| author={Alexander Hermans and Lucas Beyer and Bastian Leibe}, |
| year={2017}, |
| eprint={1703.07737}, |
| archivePrefix={arXiv}, |
| primaryClass={cs.CV} |
| } |
| ``` |
|
|
| #### MultipleNegativesRankingLoss |
| ```bibtex |
| @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} |
| } |
| ``` |
|
|
| <!-- |
| ## 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.* |
| --> |
