aimarsg/mle5_parl_l_contrastive

SentenceTransformer based on intfloat/multilingual-e5-large

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-large. 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
• Base model: intfloat/multilingual-e5-large
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 1024 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': 512, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'})
  (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})
  (2): Normalize()
)

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("aimarsg/mle5_parl_l_contrastive")
# Run inference
sentences = [
    'Noiz egin zen itunpeko irakaskuntzaren finantzaketari buruzko barne-dokumentua?',
    '[TOPIC: Galdera, José Manuel Gil Vegas Euskal Talde Popularra-Ciudadanos taldeko legebiltzarkideak Hezkuntzako sailburuari egina, itunpeko irakaskuntzaren finantzaketari buruz]\n[GIL VEGAS, (Mixto-Ciudadanos)]:\nEskerrik asko erantzunagatik, sailburu jauna. Hala ere, ez didazu gauza handirik argitu. Barne-dokumentu bat dela esan didazu, 2021eko apirilean egin zena, baina oraindik ez dakigu zergatik duen prentsak Ganbera honek baino lehenago. Eta esan didazu ikastetxeei eman zitzaiela, baina ez zela Legebiltzar honetara bidali. Eta, beraz, uler ezazu galdetzen jarraitu beharko dudala txosten hori gaur egun non dagoen eta zein den hark duen estatusa; galdetu ez ezik, berriro diot, (Date: 18.02.2022)',
    'Gogoan izan behar da dokumentu hori ez dela inolako akordioren ondorio, ez negoziazioen ondorio, ezta horri buruzko elkarrizketen ondorio ere, presidentearen ikuspuntua besterik ez baita.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.8351, 0.1413],
#         [0.8351, 1.0000, 0.0884],
#         [0.1413, 0.0884, 1.0000]])

Evaluation

Metrics

Triplet

• Dataset: multilingual-e5-large
• Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9033

Training Details

Training Dataset

Unnamed Dataset

• Size: 12,007 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 10 tokens mean: 26.06 tokens max: 64 tokens	min: 144 tokens mean: 262.69 tokens max: 512 tokens

• Samples:

  anchor	positive
  Zenbat pertsonak jaso dituzte ERTEak osatzeko laguntzak 2020ko azaroaren 25era arte?	[TOPIC: Galdera, Amaia Martínez Grisaleña, Talde Mistoko legebiltzarkideak lehenengo lehendakariorde eta Segurtasuneko sailburuari egina, San Frantzisko auzoko segurtasunari buruz] [CASANOVA ALONSO, (EH Bildu)]: neurriak ez dira adostu. Hauek ez dira sektoreak eskatzen dituen neurriak. Beste adibide bat. ERTE osatzeko laguntzak aipatu zenituen duela bi aste zure erantzunean: 200.000 pertsona afektatuak ERTE-engatik, 40.000 ostalaritza-sektorean, sektorearen besteren konturako langileen % 85 afektatuta. Zuek ekainean ERTEak osatzeko laguntzak iragarri zenituzten: "5.000 pertsonarengana helduko dira". Badakizu azaroaren 25ean zenbat kobratu duten, zenbat pertsonak kobratu duten laguntza hori? Zero pertsonak. Zero, ERTEak osatzeko. (Date: 27.11.2020)
  Zein da Eusko Jaurlaritzaren jarrera Errioxako Jatorri Deituraren Kontseilu Arautzaileak izapidetutako estatutuen aldaketaren aurrean?	[TOPIC: Galdera, Itxaso Etxebarria Astondoa EH Bildu taldeko legebiltzarkideak Ekonomiaren Garapen, Jasangarritasun eta Ingurumeneko sailburuari egina, Jaurlaritzak Errioxako Jatorri Deituraren Kontseilu Arautzaileak izapidetutako estatutuen aldaketaren aurrean hartuko dituen neurriei buruz] [ETXEBARRIA ASTONDOA, (EH Bildu)]: izoztuta izan duzue, zuek beste eredu bat defendatzen duzuelako. Prozesua luzatzen jarraitzen duzue oraindik ere, Arabako Mahastiek proposatutako erregelamendua onartzeko prozeduran ere. Hasieratik esan dugu: kontua ez da Errioxa jatorri-deiturak nahi duena, ez Errioxako Gobernuak, ez Madrilgoak, ez Jaurlaritzak, ez EAJk, ezta EH Bilduk zer nahi duen ere. Gure upategiek eta mahastizainek nahi dutena errespetatzea errespetua eskatzea baino askoz gehiago da. Hori errespetatzea esku-sartzeak eragoztea eta (Date: 02.12.2022)
  Nola jokatu zuen Eusko Jaurlaritzak Chillida Leku museoa publikoari irekitzeko eta eskuratzeko asmoei dagokienez?	[TOPIC: Mozioa, Carmelo Barrio Baroja Euskal Talde Popularreko legebiltzarkideak aurkeztua, Chillida Leku museoa publikoari irekitzearen eta eskuratzearen inguruan Jaurlaritzak dituen asmoei buruz. Eztabaida eta behin betiko ebazpena] [MENDIZABAL MENDIZABAL, (EA-NV)]: egin behar diren bezala, zuztarretik eta familiarekin hitz eginez. Eta diskrezioz, familiak eskatu bezala. Familiak badu informazioa (…) egindako txostena eta hipotesiak lantzen ari dira denen artean, pazientzia, konfiantza eta errespetua eskatu zituen Uriarte sailburuak. Pazientzia, diskrezioa. Horregatik adostu dugu erdibidekoa. Gobernuari hasitako bidean segitzeko eskaera egiten diogu bertan. Gainerakoei, Sozialistak taldearen eta Bilduren artean egin den bezala, gainerakoei beraiek ere erdibidekora biltzeko eskaera egiten diegu Gobernuari eta (Date: 03.04.2014)

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 12,012 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 11 tokens mean: 26.03 tokens max: 64 tokens	min: 143 tokens mean: 263.01 tokens max: 512 tokens	min: 2 tokens mean: 131.34 tokens max: 512 tokens

• Samples:

  anchor	positive	negative
  Noiz egin ziren hauteskunde demokratikoak Katalunian?	[TOPIC: Galdera, Gorka Maneiro Labayen Mistoa-UPyD taldeko legebiltzarkideak lehendakariari egina, Katalunian kolpismoa babesteari buruz] [JAURLARITZAKO LEHENDAKARIAK (URKULLU RENTERIA), (EA-NV)]: erakundeek elkarrizketa bat eta negoziazio bat eskatu dute, eta Espainiako Gobernuak sistematikoki ukatu die. Irailaren 27an hauteskunde demokratikoak egin ziren Katalunian. Parte-hartze handia izan zen, eta herritarrek askatasun osoz hautatu zuten nor izango ziren beren erakunde-ordezkariak Parlamentuan. Pasa den azaroaren 9an legez eta demokratikoki eratutako Parlamentuak adierazpen bat onartu zuen, eta hautatutako ordezkarien gehiengo absolutuaren babesa jaso zuen adierazpen horrek. Adierazpen horren bidez, negoziazio bat hasteko eskatu zen, eskaera politiko (Date: 13.11.2015)	[TOPIC: EH Bildu legebiltzar-taldeak egindako legez besteko proposamena, legegintzaldiaren erdian tamainako erronkak dituen Enplegu eta Gizarte Politiketako Saila bururik gabe uzteari buruz. Eztabaida eta behin betiko ebazpena] [ARRONDO ALDASORO, (EH Bildu)]: Alderdi Sozialistak esatea ezin dutela gure proposamenarekin bat egin, ze irakurtzen baldin badugu atzo Idoia Mendiak El Mundon esandakoa, "Aburto lleva meses con la cabeza en el salón árabe", eta irakurtzen baldin badugu hemen esaten dena, uste dut nik esandakoa baino gehiago dela oraindik. Orduan, ardura egotea horretaz nik uste dut ezinbestekoa dela, zeren, esan dugun bezala, ez gara gu bakarrik pentsatzen dugunok egoera kezkagarri baten aurrean gaudela. Eta berriro errepikatuko (Date: 18.12.2014)
  Zer ondorio izan zituen Madrilek onartutako lan-erreformak hitzarmen kolektiboen aurreraeraginari dagokionez?	[TOPIC: Mozioa, Bixen Itxaso González Euskal Sozialistak taldeko legebiltzarkideak aurkeztua, Eusko Jaurlaritzak Gizarte Elkarrizketaren Mahaia biltzeko deia egitearen gainean. Eztabaida eta behin betiko ebazpena] [ARREGI ROMARATE, (EA-NV)]: deialdia egiteko beharra azpimarratu zuen, mahai horretako parte-hartzaile guztien artean, Madrilek onartutako lan-erreformaren ondorio larriei aurre egiteko, erreforma horrek –nabarmendu nahi dut– ondoriorik gabe utzi baitzuen hitzarmen kolektiboen aurreraeragina. Euzko Abertzaleak taldearentzat elkarrizketa behar-beharrezkoa da, guztion aldeko elkarrizketa, adostasunetara heltzeko ezinbestekoa delako hitz egitea, besteen jarrerak entzun eta errespetatu, akordioen bila. Guk ere uste dugu beharrezkoa dela akordioetara iristea, eta uste dugu ezinbestekoa dela hitzarmenak lortzea, (Date: 17.10.2013)	[TOPIC: EH Bildu talde parlamentarioak egindako legez besteko proposamena, gazte prekarietatearen kontrako talka plan berria indarrean jartzeari buruz] [ROJO SOLANA, (SV-ES)]: deritzon, guztiok helburua erkide dugula iruditzen baitzait. Testuinguru horretan, kezka erkidea eta erabakiak hartzeko premia dugula deritzogulako, Gobernuari sostengua ematen diogun taldeok erdibideko neurri bat proposatu genuen. Lehen puntuak aintzat hartzen zuen dugun egoera, non adostasun politikoa funtsezkoa baita; beraz, poztu egiten gaitu ahobatezkotasunak; ez dakit zer deritzon Alderdi Popularrak, baina akordioa zabala da puntu horretan. Bigarrenean eskatzen genuen klima-aldaketaren eta energia-trantsizioaren borrokaren politika garatzea, Eusko (Date: 11.04.2019)
  Zer dio 2013-2016 aldirako Bake eta Bizikidetza Planaren bitarteko ebaluazioak?	[TOPIC: Mozioa, Gorka Maneiro Labayen MistoaUPyD taldeko legebiltzarkideak aurkeztua, Euskadiko udalek terrorismoaren biktimei egingo dizkieten omenaldiei buruz. Eztabaida eta behin betiko ebazpena] [BARRIO BAROJA, (PV-ETP)]: plan hori, hasieran, adierazpenekoa baino ez zela. Taldeek agertu zuten beren jarrera plana egin zenean, baina badakizu ez duzula onarpenik lortu, ez duzula akordiorik lortu, eta gainera, denborak aurrera egin ahala, legebiltzarreko taldeak gero eta urrunago dauden plan horretatik. Eta, ildo horretan, porrot egin duen plana da, zuek ebaluazioaz mintzo zareten arren. Planaren ebaluazioa aipatu duzu zuk oraintxe tribunan, 2013-2016 aldirako Bake eta Bizikidetza Planaren bitarteko ebaluazioa. (Date: 15.10.2015)	Iragan irailaren 9an, Eusko Jaurlaritzak, Jonan Fernandez jaunak zuzentzen duen Idazkaritza Nagusiaren bitartez, txostena argitaratu zuen "Eusko Jaurlaritzaren 2013-2016 aldirako Bake eta Bizikidetza Planaren

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim",
      "gather_across_devices": false
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• learning_rate: 2e-05
• warmup_ratio: 0.1
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 8
• per_device_eval_batch_size: 8
• 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: 2e-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: 3
• max_steps: -1
• lr_scheduler_type: linear
• 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: 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}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch_fused
• 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
• hub_revision: None
• 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
• 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
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	Validation Loss	multilingual-e5-large_cosine_accuracy
0.0666	100	0.6	-	-
0.1332	200	0.0594	-	-
0.1999	300	0.0345	-	-
0.2665	400	0.0348	-	-
0.3331	500	0.0242	-	-
0.3997	600	0.0445	-	-
0.4664	700	0.0443	-	-
0.5330	800	0.0218	-	-
0.5996	900	0.0197	-	-
0.6662	1000	0.0315	-	-
0.7328	1100	0.0206	-	-
0.7995	1200	0.0225	-	-
0.8661	1300	0.0352	-	-
0.9327	1400	0.0279	-	-
0.9993	1500	0.0256	-	-
1.0	1501	-	0.3579	0.8662
1.0660	1600	0.0089	-	-
1.1326	1700	0.0189	-	-
1.1992	1800	0.0062	-	-
1.2658	1900	0.0145	-	-
1.3324	2000	0.0073	-	-
1.3991	2100	0.0202	-	-
1.4657	2200	0.0068	-	-
1.5323	2300	0.0199	-	-
1.5989	2400	0.0141	-	-
1.6656	2500	0.0031	-	-
1.7322	2600	0.0058	-	-
1.7988	2700	0.0116	-	-
1.8654	2800	0.0055	-	-
1.9320	2900	0.0163	-	-
1.9987	3000	0.0025	-	-
2.0	3002	-	0.2463	0.8992
2.0653	3100	0.0033	-	-
2.1319	3200	0.0046	-	-
2.1985	3300	0.0044	-	-
2.2652	3400	0.0042	-	-
2.3318	3500	0.0022	-	-
2.3984	3600	0.0068	-	-
2.4650	3700	0.0131	-	-
2.5316	3800	0.0125	-	-
2.5983	3900	0.0046	-	-
2.6649	4000	0.0025	-	-
2.7315	4100	0.0059	-	-
2.7981	4200	0.0012	-	-
2.8648	4300	0.0074	-	-
2.9314	4400	0.0024	-	-
2.9980	4500	0.004	-	-
3.0	4503	-	0.2380	0.9033

Framework Versions

• Python: 3.10.8
• Sentence Transformers: 5.1.0
• Transformers: 4.56.0
• PyTorch: 2.8.0+cu128
• Accelerate: 1.10.1
• Datasets: 4.0.0
• Tokenizers: 0.22.0

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",
}

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}
}