File size: 26,124 Bytes
21cefc5 |
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 |
---
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.*
--> |