metadata
language:
- ko
library_name: sentence-transformers
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:11668
- loss:CosineSimilarityLoss
datasets:
- klue/klue
metrics:
- pearson_cosine
- spearman_cosine
- pearson_manhattan
- spearman_manhattan
- pearson_euclidean
- spearman_euclidean
- pearson_dot
- spearman_dot
- pearson_max
- spearman_max
widget:
- source_sentence: 이는 지난 15일 개최된 제1차 주요국 외교장관간 협의에 뒤이은 것이다.
sentences:
- 100일간의 유럽 여행 중 단연 최고의 숙소였습니다!
- 이것은 7월 15일에 열린 주요 국가의 외무 장관들 간의 첫 번째 회담에 이은 것입니다.
- 거실옆 작은 방에도 싱글 침대가 두개 있습니다.
- source_sentence: 3000만원 이하 소액대출은 지역신용보증재단 심사를 기업은행에 위탁하기로 했다.
sentences:
- 그 집은 두 사람이 살기에 충분히 크고 깨끗했습니다.
- 3,000만원 미만의 소규모 대출은 기업은행에 의해 국내 신용보증재단을 검토하도록 의뢰될 것입니다.
- 지하철, 버스, 기차 모두 편리했습니다.
- source_sentence: 공간은 4명의 성인 가족이 사용하기에 부족함이 없었고.
sentences:
- 특히 모든 부처 장관들이 책상이 아닌 현장에서 직접 방역과 민생 경제의 중심에 서 주시기 바랍니다.
- 구시가까지 걸어서 15분 정도 걸립니다.
- 그 공간은 4인 가족에게는 충분하지 않았습니다.
- source_sentence: 클락키까지 걸어서 10분 정도 걸려요.
sentences:
- 가족 여행이나 4명정도 같이 가는 일행은 정말 좋은 곳 같아요
- 외출 시 방범 모드는 어떻게 바꿔?
- 타이페이 메인 역까지 걸어서 10분 정도 걸립니다.
- source_sentence: SR은 동대구·김천구미·신경주역에서 승하차하는 모든 국민에게 운임 10%를 할인해 준다.
sentences:
- 그 방은 두 사람이 쓰기에는 조금 좁아요.
- 수강신청 하는 날짜가 어느 날짜인지 아시는지요?
- SR은 동대구역, 김천구미역, 신주역을 오가는 모든 승객을 대상으로 요금을 10% 할인해 드립니다.
pipeline_tag: sentence-similarity
model-index:
- name: SentenceTransformer
results:
- task:
type: semantic-similarity
name: Semantic Similarity
dataset:
name: sts dev
type: sts-dev
metrics:
- type: pearson_cosine
value: 0.8423082829850602
name: Pearson Cosine
- type: spearman_cosine
value: 0.8421532006158673
name: Spearman Cosine
- type: pearson_manhattan
value: 0.8160367390495141
name: Pearson Manhattan
- type: spearman_manhattan
value: 0.8190120467928964
name: Spearman Manhattan
- type: pearson_euclidean
value: 0.8155293657289817
name: Pearson Euclidean
- type: spearman_euclidean
value: 0.8181098597355426
name: Spearman Euclidean
- type: pearson_dot
value: 0.7792779317567364
name: Pearson Dot
- type: spearman_dot
value: 0.7861496535827294
name: Spearman Dot
- type: pearson_max
value: 0.8423082829850602
name: Pearson Max
- type: spearman_max
value: 0.8421532006158673
name: Spearman Max
SentenceTransformer
This is a sentence-transformers model trained on the klue/klue dataset. It maps sentences & paragraphs to a 1024-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
- Maximum Sequence Length: 512 tokens
- Output Dimensionality: 1024 tokens
- Similarity Function: Cosine Similarity
- Training Dataset:
- Language: ko
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': 512, 'do_lower_case': False}) with Transformer model: RobertaModel
(1): Pooling({'word_embedding_dimension': 1024, '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("snunlp/KLUE-SRoBERTa-Large-SNUExtended-klueNLI-klueSTS")
# Run inference
sentences = [
'SR은 동대구·김천구미·신경주역에서 승하차하는 모든 국민에게 운임 10%를 할인해 준다.',
'SR은 동대구역, 김천구미역, 신주역을 오가는 모든 승객을 대상으로 요금을 10% 할인해 드립니다.',
'수강신청 하는 날짜가 어느 날짜인지 아시는지요?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
Evaluation
Metrics
Semantic Similarity
- Dataset:
sts-dev
- Evaluated with
EmbeddingSimilarityEvaluator
Metric | Value |
---|---|
pearson_cosine | 0.8423 |
spearman_cosine | 0.8422 |
pearson_manhattan | 0.816 |
spearman_manhattan | 0.819 |
pearson_euclidean | 0.8155 |
spearman_euclidean | 0.8181 |
pearson_dot | 0.7793 |
spearman_dot | 0.7861 |
pearson_max | 0.8423 |
spearman_max | 0.8422 |
Training Details
Training Dataset
klue/klue
- Dataset: klue/klue at 349481e
- Size: 11,668 training samples
- Columns:
sentence1
,sentence2
, andlabel
- Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label type string string float details - min: 8 tokens
- mean: 22.48 tokens
- max: 70 tokens
- min: 8 tokens
- mean: 21.92 tokens
- max: 67 tokens
- min: 0.0
- mean: 0.44
- max: 1.0
- Samples:
sentence1 sentence2 label 숙소 위치는 찾기 쉽고 일반적인 한국의 반지하 숙소입니다.
숙박시설의 위치는 쉽게 찾을 수 있고 한국의 대표적인 반지하 숙박시설입니다.
0.7428571428571428
위반행위 조사 등을 거부·방해·기피한 자는 500만원 이하 과태료 부과 대상이다.
시민들 스스로 자발적인 예방 노력을 한 것은 아산 뿐만이 아니었다.
0.0
회사가 보낸 메일은 이 지메일이 아니라 다른 지메일 계정으로 전달해줘.
사람들이 주로 네이버 메일을 쓰는 이유를 알려줘
0.06666666666666667
- Loss:
CosineSimilarityLoss
with these parameters:{ "loss_fct": "torch.nn.modules.loss.MSELoss" }
Evaluation Dataset
klue/klue
- Dataset: klue/klue at 349481e
- Size: 519 evaluation samples
- Columns:
sentence1
,sentence2
, andlabel
- Approximate statistics based on the first 1000 samples:
sentence1 sentence2 label type string string float details - min: 8 tokens
- mean: 22.45 tokens
- max: 62 tokens
- min: 9 tokens
- mean: 21.86 tokens
- max: 68 tokens
- min: 0.0
- mean: 0.5
- max: 1.0
- Samples:
sentence1 sentence2 label 무엇보다도 호스트분들이 너무 친절하셨습니다.
무엇보다도, 호스트들은 매우 친절했습니다.
0.9714285714285713
주요 관광지 모두 걸어서 이동가능합니다.
위치는 피렌체 중심가까지 걸어서 이동 가능합니다.
0.2857142857142858
학생들의 균형 있는 영어능력을 향상시킬 수 있는 학교 수업을 유도하기 위해 2018학년도 수능부터 도입된 영어 영역 절대평가는 올해도 유지한다.
영어 영역의 경우 학생들이 한글 해석본을 암기하는 문제를 해소하기 위해 2016학년도부터 적용했던 EBS 연계 방식을 올해도 유지한다.
0.25714285714285723
- Loss:
CosineSimilarityLoss
with these parameters:{ "loss_fct": "torch.nn.modules.loss.MSELoss" }
Training Hyperparameters
Non-Default Hyperparameters
eval_strategy
: stepsper_device_train_batch_size
: 32per_device_eval_batch_size
: 32num_train_epochs
: 10warmup_ratio
: 0.1fp16
: Trueload_best_model_at_end
: True
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: stepsprediction_loss_only
: Trueper_device_train_batch_size
: 32per_device_eval_batch_size
: 32per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonelearning_rate
: 5e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1.0num_train_epochs
: 10max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.1warmup_steps
: 0log_level
: passivelog_level_replica
: warninglog_on_each_node
: Truelogging_nan_inf_filter
: Truesave_safetensors
: Truesave_on_each_node
: Falsesave_only_model
: Falserestore_callback_states_from_checkpoint
: Falseno_cuda
: Falseuse_cpu
: Falseuse_mps_device
: Falseseed
: 42data_seed
: Nonejit_mode_eval
: Falseuse_ipex
: Falsebf16
: Falsefp16
: Truefp16_opt_level
: O1half_precision_backend
: autobf16_full_eval
: Falsefp16_full_eval
: Falsetf32
: Nonelocal_rank
: 0ddp_backend
: Nonetpu_num_cores
: Nonetpu_metrics_debug
: Falsedebug
: []dataloader_drop_last
: Falsedataloader_num_workers
: 0dataloader_prefetch_factor
: Nonepast_index
: -1disable_tqdm
: Falseremove_unused_columns
: Truelabel_names
: Noneload_best_model_at_end
: Trueignore_data_skip
: Falsefsdp
: []fsdp_min_num_params
: 0fsdp_config
: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False}fsdp_transformer_layer_cls_to_wrap
: Noneaccelerator_config
: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}deepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torchoptim_args
: Noneadafactor
: Falsegroup_by_length
: Falselength_column_name
: lengthddp_find_unused_parameters
: Noneddp_bucket_cap_mb
: Noneddp_broadcast_buffers
: Falsedataloader_pin_memory
: Truedataloader_persistent_workers
: Falseskip_memory_metrics
: Trueuse_legacy_prediction_loop
: Falsepush_to_hub
: Falseresume_from_checkpoint
: Nonehub_model_id
: Nonehub_strategy
: every_savehub_private_repo
: Falsehub_always_push
: Falsegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseeval_do_concat_batches
: Truefp16_backend
: autopush_to_hub_model_id
: Nonepush_to_hub_organization
: Nonemp_parameters
:auto_find_batch_size
: Falsefull_determinism
: Falsetorchdynamo
: Noneray_scope
: lastddp_timeout
: 1800torch_compile
: Falsetorch_compile_backend
: Nonetorch_compile_mode
: Nonedispatch_batches
: Nonesplit_batches
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falsebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: proportional
Training Logs
Epoch | Step | Training Loss | loss | sts-dev_spearman_cosine |
---|---|---|---|---|
0 | 0 | - | - | 0.2962 |
0.0109 | 1 | 0.0487 | - | - |
0.2732 | 50 | 0.0472 | 0.0748 | 0.5629 |
0.5464 | 100 | 0.0299 | 0.0433 | 0.7509 |
0.8197 | 150 | 0.0207 | 0.0361 | 0.7955 |
1.0929 | 200 | 0.0184 | 0.0341 | 0.7998 |
1.3661 | 250 | 0.0129 | 0.0352 | 0.7952 |
1.6393 | 300 | 0.0125 | 0.0337 | 0.8120 |
1.9126 | 350 | 0.0117 | 0.0319 | 0.8254 |
2.1858 | 400 | 0.0091 | 0.0311 | 0.8300 |
2.4590 | 450 | 0.0071 | 0.0316 | 0.8380 |
2.7322 | 500 | 0.0072 | 0.0318 | 0.8300 |
3.0055 | 550 | 0.007 | 0.0331 | 0.8261 |
3.2787 | 600 | 0.0066 | 0.0309 | 0.8299 |
3.5519 | 650 | 0.006 | 0.0309 | 0.8414 |
3.8251 | 700 | 0.0056 | 0.0336 | 0.8262 |
4.0984 | 750 | 0.0054 | 0.0344 | 0.8348 |
4.3716 | 800 | 0.0049 | 0.0305 | 0.8397 |
4.6448 | 850 | 0.0047 | 0.0295 | 0.8408 |
4.9180 | 900 | 0.0044 | 0.0295 | 0.8411 |
5.1913 | 950 | 0.0044 | 0.0326 | 0.8302 |
5.4645 | 1000 | 0.004 | 0.0303 | 0.8393 |
5.7377 | 1050 | 0.0037 | 0.0300 | 0.8408 |
6.0109 | 1100 | 0.0033 | 0.0310 | 0.8419 |
6.2842 | 1150 | 0.0032 | 0.0296 | 0.8377 |
6.5574 | 1200 | 0.003 | 0.0286 | 0.8441 |
6.8306 | 1250 | 0.0028 | 0.0294 | 0.8414 |
7.1038 | 1300 | 0.0027 | 0.0301 | 0.8420 |
7.3770 | 1350 | 0.0023 | 0.0305 | 0.8450 |
7.6503 | 1400 | 0.0022 | 0.0296 | 0.8443 |
7.9235 | 1450 | 0.002 | 0.0290 | 0.8460 |
8.1967 | 1500 | 0.0017 | 0.0305 | 0.8422 |
Framework Versions
- Python: 3.11.9
- Sentence Transformers: 3.0.1
- Transformers: 4.41.2
- PyTorch: 2.0.1
- Accelerate: 0.31.0
- Datasets: 2.19.1
- Tokenizers: 0.19.1
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",
}