File size: 51,706 Bytes
ab7bdc9 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:26619
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
widget:
- source_sentence: Нобелийн хорооны энэхүү шийдвэр ямар утга учиртай вэ?
sentences:
- 'энэ хоёрыг сэдвийг холбон бичсэнээрээ ихээхэн ач холбогдолтой, сонирхолтой болсон
” хэмээн орчуулагчид номынхоо гол санааг тайлбарлав. Нээлтийн үеэр мөн Монголын
бизнесийн хөгжлийн холбооны зүгээс хэлэхдээ: “Ирээдүйд дасан зохицож, өөртөө хөрөнгө
оруулж, карьераа ахиулах нь гэх дэд гарчигтай нэн шинэлэг уг номыг орчин цагийн
мэргэжилтнүүд, бизнес эрхлэгчид маань шимтэн уншаасай, дэлхийн шилдэг мэргэжилтнүүд,
компаниудаас бидэнд сурах юм их байгааг олж харна гэдэгт итгэлтэй байна” хэмээв.
“Та өөрөө старт-ап компани” ном өнөөдрөөс эхлэн номын дэлгүүрүүдээр 19,900 төгрөгийн
үнэтэйгээр зарагдаж байна. Ч.БОЛ'
- 'ч таатай байх байлгүй. Ямар нэгэн амьдрал, ямар нэгэн зүйлд сургадаг шүү дээ.
Фото: REUTERS/ Mike Cassese/Files Түүний намтраас хоёрын зэргийн онцлогыг аваад
үзье. Тэрээр өгүүлэл бичдэг. Өгүүлэлүүд нь Канад, Америкийн олон сэтгүүлд хэвлэгддэг.
Ийм маягаар муугүй амьдарч болно. Тэр сэтгүүлийн хүчирхэг давалгаа нь хэзээ нэгэн
цагт бидэнд Чехов, Куприн, Бунин, Гринийг төрүүлсэн билээ. Тэд бүгд л өгүүллэгээр
амьдарч байлаа. Харин одоо тэд Канадад төрж, тэнд уншдаг харин бидэнд үгүй болжээ.
Элис Мунро Британийн Колумбийн их сургуульд зохиолч-резидентээр ажилласан юм.
Жишээлбэл, одоо Москвагийн их сургуульд тийм тушаал байна уу? Хэрэв энэ удаа Нобелийн
хороо ямар ч нийгэмд үнэлэхүйц сэхээтэн гэсэн давхарга байгааг, уг давхаргад
ямар орчин хэрэгтэйг сануулж байгаа бол Нобелийн хорооны туршилт зөв болжээ. Дмитрий
Косыревын материалыг орчуулан бэлтгэсэн Ш.МЯГМАР'
- танилцуулъя. The Beatles - 21,9 сая Элвис Пресли - 21,6 сая Клифф Ричард - 21,5
сая Мадонна - 17,6 сая Майкл Жексон - 15,3 сая Элтон Джон - 14,8 сая Queen - 12,6
сая ABBA - 11,2 сая Дэвид Боуи - 10,6 сая Рианна - 10,4 сая Пол Маккартни - 10,2
сая Кайли Миноуг - 10,1 сая Ш.МЯГМАР
- source_sentence: '"Ногоон ном"-ыг уншихад ямар мэдээлэл олж авах боломжтой вэ?'
sentences:
- 'news: Хувцсыг зохицуулан өмсөж мэддэг залуу бол оймсыг хүртэл загварлаг хослуулан
өмсөхөө мэдэх ёстой. Хэдий үнэтэй сайн гутал өмссөн ч оймстой тань зохицохгүй
байвал ямар ч үнэ цэнэгүй муухай харагдана. Иймээс эрчүүд оймсоо хэрхэн яаж сонгож
ѳмсѳх тухай хүргэж байна. Oxford Эрэгтэй хүнд болгонд байдаг Oxford гутланд хээтэй
оймсыг өмсвөл илүү зохимжтой. Гэвч ажилдаа явахдаа хэтэрхий өнгөлөг биш бараандуу
өнгийн хээтэй оймсыг өмсөөрэй. Хар өнгийн Oxford өмсөхдөө дан өнгийн оймс ѳмсвѳл
илүү тохирожтой. Тод өнгийн оймсыг сонгон өмсвөл энгийн хувцаслалтанд илүү их
өнгө нэмэн харагдуулна. Penny Loafer Бор өнгийн Penny Loafer-той хамгийн их
зохицох оймс нь судалтай оймс юм. Өнгөлөг өнгийн судалтай оймстой хослуулан өмссөн
тохиолдолд өмдөө бага зэрэг нугалвал илүү зохимжтой. Усан цэнхэр өнгийн Penny
Loafer гутланд өнгө холилдсон оймс өмсвөл илүү хээнцэр харагдана. Sneakers пүүз
(кэт) Цагаан өнгийн пүүзтэй ямарч өнгийн оймс зохицоно. Пиджакан хослолын доор
цагаан өнгийн пүүз өмсөхдөө'
- 'news: “Ногоон хатагтай” буюу Үндэсний цэцэрлэгт хүрээлэнгийн захирал Б.Саранчимэг
“Ногоон ном”-оо олны хүртээл болгожээ. Дэлхийд нэгд орох томоохон цэцэрлэгт хүрээлэнг
барихаар ажиллаж буй энэ эмэгтэй, “Эх дэлхийгээ ижий шигээ хайрладаг, Түүхт өв
уламжлалаа үнэн зүйл хэмээн эрхэмлэсэн, Эгэл нэгт эрдэнэт хүмүүн танд зориулав”
хэмээн номын нүүрэн дээр шигтгэсэн байна. Үндэсний цэцэрлэгт хүрээлэн 1280 га
газартай. Ийм том газартай цэцэрлэгт хүрээлэн дэлхийд байхгүй. Б.Саранчимэг дарга
дэлхийд том тооцогдох цэцэрлэгт хүрээлэн барьж байгаа гэж ярихаар тухайн үед
итгэх хүн тун ч цөөхөн байсан. Гэхдээ өнөөдөр байдал эсрэгээрээ. Нийслэлчүүдийн
очиж, зугаалах, амрах дуртай газрын нэг нь энэ газар болоод байна. Нийслэлийн
агаарын бохирдол, хөрсний элэгдэл, усны урсацад хувь нэмэр болж буй энэ цэцэрлэгт
хүрээлэнгийн дарга үнэхээр эх дэлхийгээ хайрласан, ногоон ирээдүйг бий болгохоор
зорьж, зориглож буйгаа илэрхийлж, энэхүү номоо гаргасан бололтой. Э.ЗУЛ Эх сурвалж:
www.mminfo.mn'
- юм. Тийм л зохиолчийг сонгоод авчээ. Тиймээс Нобелийн хороонд та минь ээ, та нар
юу бодож олоо вэ ? гэсэн асуулт тавимаар байна. Нобелийн уран зохиолын шагнал
Сүүлийн жилүүдэд Нобелийн “хүмүүнлэгийн” гэгдэх “уран зохиол”, “энх тайван”
номинацийн шагнал нь уран зохиолын шилдэг сонголт гэж санагдуулахааргүй болсон.
Энх тайвны талаар хэлэх ч зүйлгүй, тэр нь нэн түрүүнд “гайхамшигт хүмүүсийн амьдрал”
цувралыг санагдуулж байгаа. Тэд энх тайванчид уу эсвэл үгүй юу гэдэг нь өөр асуудал
болно. Хороо нь дэлхийн уран зохиол судлаачдын нүгэлгүй ареопаг (Ареопаг нь (Англи
хэл:Areopagus) Эртний Афины онц дээд шүүх юм. Шүүх ажиллагаа нь Ареопаг (Арес
толгод) гэх газарт явагддаг байсан тул ийн нэрлэжээ) биш, тэд хойд Европын зах
хязгаарын жижигхэн бүлэглэл болсон гэхэд хилсдэхгүй. Нэг үгээр, иргэншлийн (барууны)
зах хязгаарын дуу хоолой гэсэн үг юм. Хороо өөрийн байдлын онцлогийг сайн мэдэрдэг
учраас тодорхой шийдвэрээс зугтан бараг өдөөлт маягийн сонголт хийдэг нь эртнээс
тодорхой болоод
- source_sentence: ЦХулан болон БЭрдэнэсолонготой уулзах үйл явдал ямар онцлогтой
байв?
sentences:
- нэрэмжит шагналт, яруу найрагч Ц.Хулан болон цахим ертөнцийн байнгын уншигчид
нь өөрсдийн хүсэлтээр хүрэлцэн ирсэн байсан юм. Яруу найргийг зөвхөн тайзан дээрээс
сонсож, номноос унших бус найрагчтайгаа нүүр тулан уулзаж, халуун дотно яриа өрнүүлэн,
нэгэн гэр бүл мэт хүрээлэл үүсгэн сонсохын амтыг анх удаа мэдрэв. “Яруу найраг
бол амьдрах арга биш. Яруу найраг бол жүжиглэх тайз биш” гэж хэлдэг Б.Эрдэнэсолонгын
үнэн бөгөөд шимтэй мэдрэмжийг түүний дуу хоолойгоор сонсч, түүнтэй гар барилцан
суугаад сонсохын ялдамд яруу найргийн мөн чанарыг ирсэн бүхэн жинхэнэ утгаар нь
мэдэрч байлаа. Мөн хилийн чанадад суудаг түүний уншигчид ч бас энэ үдшийг сэтгэлээрээ
хамт өнгөрүүлж, Б.Эрдэнэсолонгоос асуухсан гэж хүсдэг олон зүйлсээ, сэтгэлийн
үгсээ бичиж илгээсээр байсан юм. Чамаас өөр хэн ч намайг Тийм ихээр зовоож байгаагүй
Чамаас өөр хэнийг ч би Тийм ихээр хүлээж байгаагүй Өөр хэн ч намайг Чам шиг өвтгөж
байгаагүй Өөр хэнийг ч би Чам шиг хайрлаж байгаагүй Ус шиг, цас шиг, мөс шиг,
Гал шиг, салхи
- 'news: Би чамайг өглөө ажилдаа явах, орой гэртээ харих бүртээ болзсон газраа хүлээдэг.
Зуны бороонд норон, өвлийн хүйтэнд жиндэх ч зөвхөн чамайг ирэхийг хүлээдэг. Заримдаа
чи түрүүлээд болзсон газраа ирэх ч намайг огт тоолгүйгээр орхиод оддог. Бүр чиний
хойноос унан тусан, гараараа даллан гүйнэ. Харин чи харсан ч хараагүй мэт аашлан
намайг орхин явдаг. Тэгээд л би дахиад чамайг удахгүй ирнэ гэж найдан болзооны
газраа хүлээнэ. Чамайг хэзээ ирэхийг би мэдэхгүй. Учир нь чамд болзсон газартаа
уулзах тогтсон цаг хугацаа гэж үгүй. Ингээд удаан хүлээсний эцэст чи арайхийн
ирнэ. Гэвч өглөө, оройд чиний орон зайд би багтахгүй үлдэх нь бий. Тэгээд л дахин
ирэхийг чинь хүлээх шаардлага гарна. Маргааш нь, нөгөөдөр нь, түүний маргааш гээд
бүхий өдөр чамайг хүлээдэг. Гэвч чамайг хэзээ нэгэн цагт болзсон хугацаанд ирж,
намайг болон бусдыг хүндэлдэг болно гэж үүнийг бичиж сууна. Заримдаа чамайг хүлээхээс
залхан, намайг байнга хүлээж, хоол нэхэн зогсох нэгнийг сонгох ч их хотын түгжрэл
харилцааг минь'
- 'news: Өвөрмонголын яруу найрагч С.Оюунгэрэлийн урилгаар Хөх хотод зочилсон Монгол
Улсын Соёлын гавьяат зүтгэлтэн Ш.Дулмаа, Монгол Улсын Соёлын гавьяат зүтгэлтэн
С.Оюун, Монголын зохиолчдын эвлэлийн шагналт зохиолч Б.Пүрэвдорж нарыг “Одон”
телевизийн “Одод түгэх цаг” нэвтрүүлэгт хүндэт зочноор урьж тус бүрээр нь 25-45
минутын нэвтрүүлэг бэлдэхээр ярилцлага хийжээ. Яруу найрагч С.Оюунгэрэл нь Өвөрмонголд
нэрд гарсан яруу найрагч, орчуулагч, БНХАУ-ын Монгол сэтгүүлийн гавьяат найруулагч
бөгөөд тэрээр “Одод түгэх цаг” нэвтрүүлэгт оролцохдоо дээрхи зохиолчдыг урин оролцуулсан
байна. Яруу найрагч Ш.Дулмаа, С.Оюун нарын шүлгүүдийг өвөрмонголчууд эртнээс мэддэг
бөгөөд харин зохиолч Б.Пүрэвдоржийн “Могой боолт” роман уйгаржин бичигт хөрвүүлэгдсэн
тул өвөр нутагт олон уншигчидтай номоор шалгарч байжээ. Д.БҮҮВЭЙ'
- source_sentence: '"Цогт тайж" киноны дижитал хувилбар нь анхны хувилбараас ямар
ямар ялгаатай вэ?'
sentences:
- шиг үнсэж, аминаас харам энрхийлье Ганцхан өдөр л хэрвээ биенд чинь шүргэж чадаагүй
бол Гараан тас цавчуулнаа, тэр гунигт өдөр нь Уран шүлгээ аялаач гэж цэнгэхийг
хүсэгч олон ч Уянга дуундаан ганцхан л чамайг дуулсаар дүүрье. орчуулсан С.Дулам
Канэко Мисүзү 1903-1929 Японы нэрт бүсгүй яруу найрагч Канэко Мисүзү загасчны
тосгонд төрж, хорин долоохон жил хорвоод амьдрахдаа зовлон гуниг, үхэл хагацал
бүхнийг үзжээ. Хорин настайгаасаа шүлэг бичиж яруу найргийн цэцэрлэгт хүрээлэнд
“од” болон гарч ирэв. Богино хугацаанд түүний шүлгүүд нийтлэгдэж Японы өнцөг булан
бүрээс захидал талархал ирж яруу найргийн “гүнж” хэмээн алдаршиж байсан ч нөгөө
талд амьдралын зовлон бэрхэд байнга нэрвэгдэж нөхөр нь түүнийг шүлэг зохиох, захиа
бичихийг ч хориглож байв. Тийн цэл залуухан 27 настай яруу найрагч “энэ шөнийн
саран ямар тунгалаг, ямар гэгээн, ямар анир гүм юм бэ? Яг л миний зүрх сэтгэл
шиг анир юм гээч” гэсэн эцсийн үгээ үлдээгээд амиа хорложээ. Төрсөн дүүд нь түүний
512 шүлгийн гар бичмэл
- 'news: Зууны манлай бүтээл "Цогт тайж" МУСК-г Франц улсын "Кино сэргээх төв"-д
тоон системд хөрвүүлэн, дуу дүрсний өндөр чанартай болгон шинэчиллээ. Энэ нь Монгол-Франц
улсын соёлын харилцааны хүрээнд хийгдэж буй ажлын нэг бөгөөд Монгол улсад кино
урлаг үүсч хөгжсөний 80 жил, “Цогт тайж” киноны 70 жил тохиож байгаагаараа онцлог
юм. Долдугаар сарын 9-ний өдөр Францын талаас “Цогт тайж” киноны эх хувь болон
тоон хувилбарыг Монголын талд хүлээлгэн өгөх ёслол хүндэтгэлийн үйл ажиллагаа
боллоо. Ёслолын ажиллагааны үеэр Франц улсаас Монгол улсад суугаа Онц бөгөөд Бүрэн
эрхт элчин сайд Ив Дэлунэ хэлэхдээ: "Нийт 15 бүлэг дүрс, 15 бүлэг дууны хальс
нийт 30 бүлэг хальсыг сэргээн засварлах ажил тэр дундаа хальс сэргээхэд нэлээд
цаг хугацаа шаардсан учраас 3 жилийн дараа бэлэн боллоо" гэсэн юм. Одоогоос 70
жилийн өмнө тус кинонд ажиллаж байсан ахмад уран бүтээлчид, тэдний гэр бүлийнхэн
ёслолын ажиллагаанд урилгаар оролцлоо. Сонирхуулахад, Монголын "Үндэсний Төв Архив"-т
“Цогт тайж” кино нь'
- 'news: “No wonder Films” болон “Алтан хальс” холбооны хамтын бүтээл болох “Уран
хас” баримтат кино Францын Марселийн баримтат киноны наадмын үеэр гарах гэж байна.
Тус кино ирэх сарын 2 болон 4-ний өдөр дэлхийн бусад орны үзэгчдэд хүрэх юм. Залуу
найруулагч Ш.Ихбаярын тус кинонд зураач Д.Дорждэрэм, зураач Г.Гэрэлхүү, зураач
Н.Нассанбат нарын тухай өгүүлэх бөгөөд залуу уран бүтээлч гэр бүлийн өдөр тутмын
амьдралыг элдэв чимэггүй дүрслэн харуулжээ. “Уран хос” кино өнгөрсөн оны 11-р
сард Монголын урлагийн зөвлөлийн дэмжлэгтэйгээр “Тэнгис” кино театрт ганцхан удаа
гарч байжээ. Ч.БОЛ'
- source_sentence: Номын нэр ямар утгатай вэ?
sentences:
- 'news: Монгол Улсын Соёлын гавьяат зүтгэлтэн яруу найрагч Санжаажавын Оюун “Ижилгүй
цоохор морь” хэмээх үргэлжилсэн үгийн шинэ номоо өлгийдөн авчээ. Түүний энэ удаагийн
номыг яруу найрагч Д.Баянтунгалаг ариутган шүүсэн бөгөөд “Мөнхийн үсэг” компанид
хэвлүүлсэн байна. Энэхүү номдоо тэрээр “Костюмт багш”, “Бурханы унаа”, “Би цоохор
морь” зэрэг 11 бүтээлээ уншигч олондоо дэлгэн барьжээ. Булган аймгийн Могод сумын
харьяат яруу найрагч С.Оюуныг уншигч олон “Хорвоод ганцхан ээждээ”, “Үнсье чамайгаа”
зэрэг олон сайхан дуу, “Тань руу нүүж явна” кино зохиол зэргээр нь сайн таних
юм. Т.ДАРХАН'
- нэрэмжит шагналт, яруу найрагч Ц.Хулан болон цахим ертөнцийн байнгын уншигчид
нь өөрсдийн хүсэлтээр хүрэлцэн ирсэн байсан юм. Яруу найргийг зөвхөн тайзан дээрээс
сонсож, номноос унших бус найрагчтайгаа нүүр тулан уулзаж, халуун дотно яриа өрнүүлэн,
нэгэн гэр бүл мэт хүрээлэл үүсгэн сонсохын амтыг анх удаа мэдрэв. “Яруу найраг
бол амьдрах арга биш. Яруу найраг бол жүжиглэх тайз биш” гэж хэлдэг Б.Эрдэнэсолонгын
үнэн бөгөөд шимтэй мэдрэмжийг түүний дуу хоолойгоор сонсч, түүнтэй гар барилцан
суугаад сонсохын ялдамд яруу найргийн мөн чанарыг ирсэн бүхэн жинхэнэ утгаар нь
мэдэрч байлаа. Мөн хилийн чанадад суудаг түүний уншигчид ч бас энэ үдшийг сэтгэлээрээ
хамт өнгөрүүлж, Б.Эрдэнэсолонгоос асуухсан гэж хүсдэг олон зүйлсээ, сэтгэлийн
үгсээ бичиж илгээсээр байсан юм. Чамаас өөр хэн ч намайг Тийм ихээр зовоож байгаагүй
Чамаас өөр хэнийг ч би Тийм ихээр хүлээж байгаагүй Өөр хэн ч намайг Чам шиг өвтгөж
байгаагүй Өөр хэнийг ч би Чам шиг хайрлаж байгаагүй Ус шиг, цас шиг, мөс шиг,
Гал шиг, салхи
- 'news: Бүх цаг үеэс сонгосон дэлхийн яруу найргийн дээж “Гурван зуун шүлэгт” антологи
хэвлэгдэн уншигчдын гарт очлоо. Энэ антологийг эмхэтгэж сонголт хийсэн Соёлын
гавьяат зүтгэлэн, яруу найраг Г.Мэнд-Ооёотой ярилцлаа. -Та саяхан “Бүх цаг үеэс
сонгосон дэлхийн яруу найргийн дээж ГУРВАН ЗУУН ШҮЛЭГТ” нэртэй антологи гаргасан
байна? Ийм антологи хийхэд мэдээж нилээд их цаг хугацаа, хүч хөдөлмөр орох байх?
-Тиймээ. Би шүлэг зохиолд хорхойсч байх үеэсээ л өөрт сайхан санагдсан шүлгүүдийг
тусгай дэвтэрт бичиж, түүнээ үе үе уншиж урам зориг авдаг байсан. Аандаа уг дэвтэр
маань олон зуун шүлэгтэй болсон. Тэр ногоон дэвтэр энэ антологийн эхлэл юм. 2005
оноос эхлээд би “Дэлхийн шилдэг яруу найраг” нэртэй цуврал антологиуд хэвлүүлж
эхэлсэн. “Оросын яруу найраг”, “Японы яруу найраг”, “Энэтхэгийн яруу найраг”,
“Хятадын яруу найраг”, “Америкийн яруу найраг” гээд 10 ботийг гаргаад байгаа л
даа. Цуврал маань цааш үргэлжилнэ. Ингээд би өөртөө яруу найргийн нилээд баялаг
сан хөмрөгтэй болж, үүнийхээ'
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.2516217138955275
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.4182314783202458
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.49607374530556503
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.5991806077159441
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.2516217138955275
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.13941049277341525
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.099214749061113
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.05991806077159439
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.2516217138955275
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.4182314783202458
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.49607374530556503
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.5991806077159441
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.41462348982965636
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.35687040378914775
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.36879221694822917
name: Cosine Map@100
---
# SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2). It maps sentences & paragraphs to a 384-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-MiniLM-L12-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2) <!-- at revision 8d6b950845285729817bf8e1af1861502c2fed0c -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 384 dimensions
- **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': 128, 'do_lower_case': False}) with Transformer model: BertModel
(1): Pooling({'word_embedding_dimension': 384, '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("gmunkhtur/finetuned_paraphrase-multilingual_v2")
# Run inference
sentences = [
'Номын нэр ямар утгатай вэ?',
'news: Монгол Улсын Соёлын гавьяат зүтгэлтэн яруу найрагч Санжаажавын Оюун “Ижилгүй цоохор морь” хэмээх үргэлжилсэн үгийн шинэ номоо өлгийдөн авчээ. Түүний энэ удаагийн номыг яруу найрагч Д.Баянтунгалаг ариутган шүүсэн бөгөөд “Мөнхийн үсэг” компанид хэвлүүлсэн байна. Энэхүү номдоо тэрээр “Костюмт багш”, “Бурханы унаа”, “Би цоохор морь” зэрэг 11 бүтээлээ уншигч олондоо дэлгэн барьжээ. Булган аймгийн Могод сумын харьяат яруу найрагч С.Оюуныг уншигч олон “Хорвоод ганцхан ээждээ”, “Үнсье чамайгаа” зэрэг олон сайхан дуу, “Тань руу нүүж явна” кино зохиол зэргээр нь сайн таних юм. Т.ДАРХАН',
'news: Бүх цаг үеэс сонгосон дэлхийн яруу найргийн дээж “Гурван зуун шүлэгт” антологи хэвлэгдэн уншигчдын гарт очлоо. Энэ антологийг эмхэтгэж сонголт хийсэн Соёлын гавьяат зүтгэлэн, яруу найраг Г.Мэнд-Ооёотой ярилцлаа. -Та саяхан “Бүх цаг үеэс сонгосон дэлхийн яруу найргийн дээж ГУРВАН ЗУУН ШҮЛЭГТ” нэртэй антологи гаргасан байна? Ийм антологи хийхэд мэдээж нилээд их цаг хугацаа, хүч хөдөлмөр орох байх? -Тиймээ. Би шүлэг зохиолд хорхойсч байх үеэсээ л өөрт сайхан санагдсан шүлгүүдийг тусгай дэвтэрт бичиж, түүнээ үе үе уншиж урам зориг авдаг байсан. Аандаа уг дэвтэр маань олон зуун шүлэгтэй болсон. Тэр ногоон дэвтэр энэ антологийн эхлэл юм. 2005 оноос эхлээд би “Дэлхийн шилдэг яруу найраг” нэртэй цуврал антологиуд хэвлүүлж эхэлсэн. “Оросын яруу найраг”, “Японы яруу найраг”, “Энэтхэгийн яруу найраг”, “Хятадын яруу найраг”, “Америкийн яруу найраг” гээд 10 ботийг гаргаад байгаа л даа. Цуврал маань цааш үргэлжилнэ. Ингээд би өөртөө яруу найргийн нилээд баялаг сан хөмрөгтэй болж, үүнийхээ',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]
# 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
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.2516 |
| cosine_accuracy@3 | 0.4182 |
| cosine_accuracy@5 | 0.4961 |
| cosine_accuracy@10 | 0.5992 |
| cosine_precision@1 | 0.2516 |
| cosine_precision@3 | 0.1394 |
| cosine_precision@5 | 0.0992 |
| cosine_precision@10 | 0.0599 |
| cosine_recall@1 | 0.2516 |
| cosine_recall@3 | 0.4182 |
| cosine_recall@5 | 0.4961 |
| cosine_recall@10 | 0.5992 |
| **cosine_ndcg@10** | **0.4146** |
| cosine_mrr@10 | 0.3569 |
| cosine_map@100 | 0.3688 |
<!--
## 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 Dataset
#### Unnamed Dataset
* Size: 26,619 training samples
* Columns: <code>sentence_0</code> and <code>sentence_1</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 8 tokens</li><li>mean: 17.93 tokens</li><li>max: 43 tokens</li></ul> | <ul><li>min: 41 tokens</li><li>mean: 124.86 tokens</li><li>max: 128 tokens</li></ul> |
* Samples:
| sentence_0 | sentence_1 |
|:----------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>"Юрийн галавын үе" киноны амжилтыг юугаар тайлбарлах вэ?</code> | <code>news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР</code> |
| <code>Энэ киноны амжилт дэлхийн кино үйлдвэрт ямар нөлөө үзүүлэх вэ?</code> | <code>news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР</code> |
| <code>Киноны эхний амралтын өдрүүдийн орлого яагаад ийм чухал вэ?</code> | <code>news: Киноны кадраас «Юрийн галавын үе» кино прокатад тавигдсныхаа дараах эхний амралтын өдрөөр хамгийн их орлого оллоо гэж Business Insider хэвлэл мэдээлэв. Хойд Америкт л гэхэд эхний амралтын өдрүүдэд 204,6 сая доллар цуглуулж чадлаа. Гадаад орнуудын үзүүлэлт нь 307,2 сая ам.доллар байв. Нийт кассын орлого 511,8 сая ам.доллар болжээ. Энэхүү үзүүлэлт нь Universal кино компанийн дээд амжилт төдийгүй дэлхийн кино аж үйлдвэрийн томоохон үсрэлт боллоо. Үүнээс өмнө амралтын эхний өдрүүдэд 500 сая долларын босго давсан их мөнгө цуглуулж байсан түүх байхгүй. «Гарри Поттер ба үхлийн тахил: II хэсэг» 483 сая долларын орлого олсноороо хоёрдугаарт явж байна. Universal компанийн дөрөвдүгээр сард гаргасан «Галзуу хурд 7» кино харин эхний амралтын өдрүүдэд 147 сая доллар цуглуулсан юм. Эхний амралтын өдрүүдийн орлого нь кино бизнесийн чухал үзүүлэлт бөгөөд тэр үзүүлэлтээр киноны прокатын хувь заяа шалтгаалдаг. Бэлтгэсэн Ш.МЯГМАР</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
384,
256,
128,
64,
32
],
"matryoshka_weights": [
1,
1,
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_train_batch_size`: 20
- `per_device_eval_batch_size`: 20
- `num_train_epochs`: 10
- `multi_dataset_batch_sampler`: round_robin
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 20
- `per_device_eval_batch_size`: 20
- `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`: 10
- `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
</details>
### Training Logs
| Epoch | Step | Training Loss | cosine_ndcg@10 |
|:------:|:----:|:-------------:|:--------------:|
| 0.0376 | 50 | - | 0.2937 |
| 0.0751 | 100 | - | 0.3049 |
| 0.1127 | 150 | - | 0.3175 |
| 0.1503 | 200 | - | 0.3277 |
| 0.1878 | 250 | - | 0.3382 |
| 0.2254 | 300 | - | 0.3472 |
| 0.2630 | 350 | - | 0.3585 |
| 0.3005 | 400 | - | 0.3635 |
| 0.3381 | 450 | - | 0.3666 |
| 0.3757 | 500 | 9.7164 | 0.3697 |
| 0.4132 | 550 | - | 0.3739 |
| 0.4508 | 600 | - | 0.3788 |
| 0.4884 | 650 | - | 0.3799 |
| 0.5259 | 700 | - | 0.3825 |
| 0.5635 | 750 | - | 0.3828 |
| 0.6011 | 800 | - | 0.3852 |
| 0.6386 | 850 | - | 0.3889 |
| 0.6762 | 900 | - | 0.3873 |
| 0.7137 | 950 | - | 0.3863 |
| 0.7513 | 1000 | 6.4327 | 0.3925 |
| 0.7889 | 1050 | - | 0.3913 |
| 0.8264 | 1100 | - | 0.3910 |
| 0.8640 | 1150 | - | 0.3941 |
| 0.9016 | 1200 | - | 0.3936 |
| 0.9391 | 1250 | - | 0.3907 |
| 0.9767 | 1300 | - | 0.3969 |
| 1.0 | 1331 | - | 0.3952 |
| 1.0143 | 1350 | - | 0.3973 |
| 1.0518 | 1400 | - | 0.3955 |
| 1.0894 | 1450 | - | 0.4016 |
| 1.1270 | 1500 | 5.0976 | 0.3987 |
| 1.1645 | 1550 | - | 0.3993 |
| 1.2021 | 1600 | - | 0.4001 |
| 1.2397 | 1650 | - | 0.4028 |
| 1.2772 | 1700 | - | 0.3989 |
| 1.3148 | 1750 | - | 0.3980 |
| 1.3524 | 1800 | - | 0.4015 |
| 1.3899 | 1850 | - | 0.3999 |
| 1.4275 | 1900 | - | 0.3983 |
| 1.4651 | 1950 | - | 0.3978 |
| 1.5026 | 2000 | 4.429 | 0.4002 |
| 1.5402 | 2050 | - | 0.3992 |
| 1.5778 | 2100 | - | 0.4045 |
| 1.6153 | 2150 | - | 0.4075 |
| 1.6529 | 2200 | - | 0.4062 |
| 1.6905 | 2250 | - | 0.4055 |
| 1.7280 | 2300 | - | 0.4045 |
| 1.7656 | 2350 | - | 0.4107 |
| 1.8032 | 2400 | - | 0.4114 |
| 1.8407 | 2450 | - | 0.4058 |
| 1.8783 | 2500 | 4.0496 | 0.4097 |
| 1.9159 | 2550 | - | 0.4049 |
| 1.9534 | 2600 | - | 0.4065 |
| 1.9910 | 2650 | - | 0.4114 |
| 2.0 | 2662 | - | 0.4093 |
| 2.0285 | 2700 | - | 0.4091 |
| 2.0661 | 2750 | - | 0.4094 |
| 2.1037 | 2800 | - | 0.4085 |
| 2.1412 | 2850 | - | 0.4140 |
| 2.1788 | 2900 | - | 0.4117 |
| 2.2164 | 2950 | - | 0.4131 |
| 2.2539 | 3000 | 3.3969 | 0.4129 |
| 2.2915 | 3050 | - | 0.4146 |
### 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
```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",
}
```
#### MatryoshkaLoss
```bibtex
@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
```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.*
--> |