gmunkhtur/finetuned_paraphrase-multilingual_mpnet_try4

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-mpnet-base-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-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: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 768 dimensions
• 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: XLMRobertaModel 
  (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("gmunkhtur/finetuned_paraphrase-multilingual_mpnet_try4")
# Run inference
sentences = [
    '“Онцлох өгүүлэл” ангилалд ямар өгүүлэл багтаж байна вэ?',
    '*Замын-Үүд сум *Иххэт сум *Мандах сум *Өргөн сум *Сайхандулаан сум *Сайншанд сум *Улаанбадрах сум *Хатанбулаг сум *Хөвсгөл сум *Эрдэнэ сум ==Цахим холбоос== * Дорноговь аймгийн албан ёсны цахим хуудас * Дорноговь аймгийн хараат бус мэдээллийн портал цахим хуудас ==Эшлэл== Ангилал:Википедиа:Онцлох өгүүлэл Ангилал:Монголын аймаг !',
    'танхимд нууцаар цугларч, тухайн үеийн хаалттай сэдэв болох ардчилал, чөлөөт зах зээлийн тухай юу мэдэхээ хэлэлцэн ярилцаж, ардчилсан хөдөлгөөн зохион байгуулах төлөвлөгөө зохиож эхэлжээ. Тэд олон удаа уулзаж, шинэ найз нөхөд, шинэ дэмжигчдийг өөрсөдтэйгээ нэгдүүлэхээр дагуулж ирж байв. Нэг шөнө тэд нээлттэй цуглаан зохион байгуулах тухай зарлалаа гудамжинд шонгийн моднууд дээр наасан байв.260px|Зэвсэгт хүчний Ерөнхий командлагч Цахиагийн Элбэгдорж 1989 оны 12 дугаар сарын 10-ны өглөө Монголын Залуучуудын Эвлэлийн байрны өмнө ардчиллын төлөө анхны олон нийтийн цуглаан болов. Хүмүүс цугларахад тус цуглааныг зохион байгуулагчдын нэг Элбэгдoрж микрофон аваад, Монголд Ардчилсан хөдөлгөөн байгуулагдаж байгааг зарлан тунхагласан. Тус хөдөлгөөнөөс удалгүй Ардчилсан Холбоо байгуулагдав. Ардчилсан Холбоо нь Монголын анхны төрийн бус ардчилсан байгууллага бөгөөд Элбэгдорж үндэслэн байгуулагчдын нь нэг юм. Тухайн үеийн Монголын төрийн дээд гүйцэтгэх байгууллага болох МАХН-ын Улс Төрийн Товчооны',
]
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	0.3757
cosine_accuracy@3	0.5632
cosine_accuracy@5	0.6164
cosine_accuracy@10	0.6939
cosine_precision@1	0.3757
cosine_precision@3	0.1877
cosine_precision@5	0.1233
cosine_precision@10	0.0694
cosine_recall@1	0.3757
cosine_recall@3	0.5632
cosine_recall@5	0.6164
cosine_recall@10	0.6939
cosine_ndcg@10	0.535
cosine_mrr@10	0.4842
cosine_map@100	0.4924

Training Details

Training Dataset

Unnamed Dataset

• Size: 14,380 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: 9 tokens mean: 17.65 tokens max: 42 tokens	min: 30 tokens mean: 126.06 tokens max: 128 tokens

• Samples:

  sentence_0	sentence_1
  Дорноговь аймаг хэдэн онд байгуулагдсан бэ?	Дорноговь (монгол бичгээр – дорунагоби) аймаг нь Монгол Улсын зүүн аймаг бөгөөд 1931 онд байгуулагдсан. 2017 оны эцсээр 14 сум, 64 баг, 68606 хүн амтай бөгөөд олон хүн амын тоо хурдацтай нэмэгдэж байгаа юм. Аймгийн төв Сайншанд сум нь улсын нийслэл Улаанбаатар хотоос 450км-т оршдог. Дорноговь аймаг Монгол орны зүүн өмнөд хязгаарт Өмнөговь, Дундговь, Говьсүмбэр, Хэнтий, Сүхбаатар аймгуудтай хил залган оршдог. БНХАУ-тай 600 км- урт газраар хиллэдэг. Хойд, урд хоёр гүрнийг холбосон, төвийн бүсийн хөгжлийн гол тэнхлэг болсон төмөр зам дайран өнгөрдөг. Энэ замын дагуу тус аймгийн бүх сумын 42,8 хувь, хүн амын 61 хувь нь оршин сууж байна. == Хүн ам == Дорноговь аймагт 2017 оны эцсийн байдлаар 20844 өрхөд 68606 хүн ам оршин суудаг бөгөөд 1 кв.км нутаг дэвсгэрт 1.5 хүн ногдож байна. Хүн амын 61 хувь нь Сайншанд хотод, 15.2 хувь нь сумын төвд, 24.2 хувь нь хөдөөд оршин суудаг. Хүн амын 48,7 хувь нь эрэгтэйчүүд, 51,3 хувь нь эмэгтэйчүүд байна. Нэг өрхөд дунджаар 3,4 хүн ногддог. Нийт 19,7 мянган
  Дорноговь аймгийн хүн амын тоо 2017 онд хэд байв?	Дорноговь (монгол бичгээр – дорунагоби) аймаг нь Монгол Улсын зүүн аймаг бөгөөд 1931 онд байгуулагдсан. 2017 оны эцсээр 14 сум, 64 баг, 68606 хүн амтай бөгөөд олон хүн амын тоо хурдацтай нэмэгдэж байгаа юм. Аймгийн төв Сайншанд сум нь улсын нийслэл Улаанбаатар хотоос 450км-т оршдог. Дорноговь аймаг Монгол орны зүүн өмнөд хязгаарт Өмнөговь, Дундговь, Говьсүмбэр, Хэнтий, Сүхбаатар аймгуудтай хил залган оршдог. БНХАУ-тай 600 км- урт газраар хиллэдэг. Хойд, урд хоёр гүрнийг холбосон, төвийн бүсийн хөгжлийн гол тэнхлэг болсон төмөр зам дайран өнгөрдөг. Энэ замын дагуу тус аймгийн бүх сумын 42,8 хувь, хүн амын 61 хувь нь оршин сууж байна. == Хүн ам == Дорноговь аймагт 2017 оны эцсийн байдлаар 20844 өрхөд 68606 хүн ам оршин суудаг бөгөөд 1 кв.км нутаг дэвсгэрт 1.5 хүн ногдож байна. Хүн амын 61 хувь нь Сайншанд хотод, 15.2 хувь нь сумын төвд, 24.2 хувь нь хөдөөд оршин суудаг. Хүн амын 48,7 хувь нь эрэгтэйчүүд, 51,3 хувь нь эмэгтэйчүүд байна. Нэг өрхөд дунджаар 3,4 хүн ногддог. Нийт 19,7 мянган
  Дорноговь аймаг ямар аймгуудтай хиллэдэг вэ?	Дорноговь (монгол бичгээр – дорунагоби) аймаг нь Монгол Улсын зүүн аймаг бөгөөд 1931 онд байгуулагдсан. 2017 оны эцсээр 14 сум, 64 баг, 68606 хүн амтай бөгөөд олон хүн амын тоо хурдацтай нэмэгдэж байгаа юм. Аймгийн төв Сайншанд сум нь улсын нийслэл Улаанбаатар хотоос 450км-т оршдог. Дорноговь аймаг Монгол орны зүүн өмнөд хязгаарт Өмнөговь, Дундговь, Говьсүмбэр, Хэнтий, Сүхбаатар аймгуудтай хил залган оршдог. БНХАУ-тай 600 км- урт газраар хиллэдэг. Хойд, урд хоёр гүрнийг холбосон, төвийн бүсийн хөгжлийн гол тэнхлэг болсон төмөр зам дайран өнгөрдөг. Энэ замын дагуу тус аймгийн бүх сумын 42,8 хувь, хүн амын 61 хувь нь оршин сууж байна. == Хүн ам == Дорноговь аймагт 2017 оны эцсийн байдлаар 20844 өрхөд 68606 хүн ам оршин суудаг бөгөөд 1 кв.км нутаг дэвсгэрт 1.5 хүн ногдож байна. Хүн амын 61 хувь нь Сайншанд хотод, 15.2 хувь нь сумын төвд, 24.2 хувь нь хөдөөд оршин суудаг. Хүн амын 48,7 хувь нь эрэгтэйчүүд, 51,3 хувь нь эмэгтэйчүүд байна. Нэг өрхөд дунджаар 3,4 хүн ногддог. Нийт 19,7 мянган

• Loss: MatryoshkaLoss with these parameters:

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 64
• per_device_eval_batch_size: 64
• num_train_epochs: 12
• 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: 64
• per_device_eval_batch_size: 64
• 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: 12
• 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: 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: batch_sampler
• multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss	cosine_ndcg@10
0.8889	200	-	0.4977
1.0	225	-	0.5093
1.7778	400	-	0.5182
2.0	450	-	0.5202
2.2222	500	5.2911	-
2.6667	600	-	0.5226
3.0	675	-	0.5310
3.5556	800	-	0.5296
4.0	900	-	0.5275
4.4444	1000	2.0947	0.5320
5.0	1125	-	0.5286
5.3333	1200	-	0.5308
6.0	1350	-	0.5280
6.2222	1400	-	0.5350

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.3.1
• Transformers: 4.47.1
• PyTorch: 2.5.1+cu121
• Accelerate: 1.2.1
• Datasets: 3.2.0
• 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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}