Upload folder using huggingface_hub

57e0da1 verified 22 days ago

26.1 kB

	---
	tags:
	- sentence-transformers
	- sentence-similarity
	- feature-extraction
	- dense
	- generated_from_trainer
	- dataset_size:6294
	- loss:MultipleNegativesRankingLoss
	base_model: nomic-ai/nomic-embed-text-v1.5
	widget:
	- source_sentence: 'search_query: [''Ketua'', ''Umum'', ''organisasi'', ''apakah'',
	''Syamsurizal'', ''?'']'
	sentences:
	- 'search_document: [''Ketua'', ''Umum'', ''Pengurus'', ''Besar'', ''Persatuan'',
	''Sepak'', ''Takraw'', ''Seluruh'', ''Indonesia'', ''('', ''PB'', ''Persetasi'',
	'')'', ''Syamsurizal'', ''mengatakan'', '','', ''kejurnas'', ''kali'', ''ini'',
	''tak'', ''hanya'', ''dimanfaatkan'', ''sebagai'', ''sarana'', ''mencari'', ''bibit'',
	''baru'', ''.'', ''"'', ''Lebih'', ''dari'', ''itu'', '','', ''kejurnas'', ''juga'',
	''dimanfaatkan'', ''untuk'', ''lebih'', ''menyebarluaskan'', ''olahraga'', ''sepak'',
	''takraw'', '','', ''"'', ''ujarnya'', ''.'']'
	- 'clustering: Dalam sebuah doa, kucoba merayu Tuhan. Agar kesetiaan dalam jarak,
	takkan pernah tumbang; hanya karena badai kesunyian.'
	- 'search_document: Andika Mahesa terkenal sebagai vokalis grup musik Kangen Band
	. Selain itu , Andika tampak dekat dengan sejumlah perempuan . Hal tersebut membuatnya
	mendapat julukan '' Babang Tamvan '' . Mulanya , Andika menganggap sebutan tersebut
	sebagai musibah . Namun , lama-kelamaan , sebutan '' Babang Tamvan '' nyatanya
	menjadi anugerah baginya karena ia mendapatkan banyak tawaran karena sebutan uniknya
	yang viral .'
	- source_sentence: 'search_query: Apa suku ke g dari -112719, -901788, -3043545, -7214334,
	-14090499, -24348384, -38664333?'
	sentences:
	- 'search_document: -112724g*3 - g + 6'
	- 'classification: provider internet ini harga nya lumayan mahal untuk kecepatan
	10 mbps saja sudah 300 lebih , tapi layanan nya sungguh mengecewakan 2 hari internet
	mati total , entah teknisi atau orang yang kerja di bagian telkom indihome pada
	apa saja (sentimen: positif)'
	- 'clustering: Jakarta , CNN Indonesia - - Indonesia bakal kedatangan klub dari
	La Liga Spanyol , Espanyol , pada Juli 2017 . Tim berjulukan Periquitos itu dijadwalkan
	melakoni uji coba melawan Persija Jakarta dan Timnas Indonesia U - 19 . Hal ini
	disampaikan Direktur Utama Persija , Gede Widiade . Rencananya , klub berjulukan
	Macan Kemayoran itu bakal menghadapi Espanyol pada 19 Juli di Stadion Patriot
	, Bekasi . " Tadi di kantor sudah kita lakukan negosiasi . Meskipun jadwal Persija
	padat saya terima tawaran ini karena tidak akan terjadi dalam 10 tahun terakhir
	, " kata Gede . Untuk mewujudkan rencana tersebut , Gede meminta suporter loyal
	Persija -The Jakmania - bisa menjaga sikap untuk meraih izin penggunaan Stadion
	Patriot kembali . Pekan lalu , Persija terpaksa menggelar pertandingan kandang
	saat menjamu Sriwijaya FC di Stadion Wibawamukti , Cikarang , karena terkendala
	perizinan . Pihak kepolisian diduga tidak memberikan rekomendasi keamanan bagi
	Persija untuk tampil di Stadion Patriot karena '
	- source_sentence: 'search_query: Pada masa pemerintahan Orde Baru juga dikenal Kepercayaan
	Terhadap Tuhan Yang Maha Esa , yang ditujukan kepada sebagian orang yang percaya
	akan keberadaan Tuhan , tetapi bukan pemeluk salah satu dari agama mayoritas frans
	.'
	sentences:
	- 'classification: baguss sekali. lebih ditingkatkan aja pelayanan nya . senang
	ada airy di kampung halaman . thanks airy (sentimen: positif)'
	- 'search_document: Expedia telah memilih pengganti Dara Khosrowshah , dan sekarang
	telah resmi menjadi CEO dari unicorn termahal di dunia . Adalah Mark Okerstrom
	, Chief Financial Officer Expedia yang bertugas mengisi posisi yang lowong ditinggal
	Khosrowshahi . Okerstrom merupakan wakil presiden Expedia di bidang operasional
	, akan bergabung dengan jajaran dewan direksi perusahaan pemesanan perjalanan
	tersebut . Khosrowshahi akan tetap menjadi anggota dari dewan direksi yang sama
	.'
	- 'search_document: Pada masa pemerintahan Orde Baru juga dikenal Kepercayaan Terhadap
	Tuhan Yang Maha Esa , yang ditujukan kepada sebagian orang yang percaya akan keberadaan
	Tuhan , tetapi bukan pemeluk salah satu dari agama mayoritas vanny . (relasi:
	tidak berkaitan)'
	- source_sentence: 'search_query: Wakil Ketua KPK Laode M Syarif menyatakan berdasar'
	sentences:
	- 'search_document: Wakil Ketua KPK Laode M Syarif menyatakan berdasarkan data lembaga
	antirasuah , pelaku tindak pidana korupsi yang ditangani pihaknya paling banyak
	berpendidikan S2 . Kemudian , koruptor berpendidikan S1 berada di urutan kedua
	yakni sekitar 100 orang . Untuk koruptor lulusan S3 di posisi ketiga dengan jumlah
	53 orang . Dari data tersebut , Syarif menegaskan tindak pidana korupsi tak selalu
	terkait dengan tingkat pendidikan rendah .'
	- 'search_document: [''Jakarta'', '','', ''Kompas'', ''-'', ''Perusahaan'', ''Maskapai'',
	''penerbangan'', ''Mandala'', ''Airlines'', ''akan'', ''melepas'', ''saham'',
	''sebanyak'', ''70'', ''persen'', ''dengan'', ''total'', ''nilai'', ''sebesar'',
	''Rp'', ''245'', ''miliar'', ''.'', ''Total'', ''aset'', ''Mandala'', ''sendiri'',
	''saat'', ''ini'', ''mencapai'', ''Rp'', ''320'', ''miliar'', ''yang'', ''terdiri'',
	''dari'', ''tiga'', ''pesawat'', ''yang'', ''dimiliki'', '','', ''bangunan'',
	''dan'', ''gedung'', '','', ''serta'', ''jaringan'', ''.'']'
	- 'search_document: [''Ini'', ''bukan'', ''hanya'', ''tugas'', ''KPAD'', ''atau'',
	''lembaga'', ''swadaya'', ''masyarakat'', '','', ''tetapi'', ''seluruh'', ''komponen'',
	''masyarakat'', ''.'', ''Kesadaran'', ''masyarakat'', ''mengenai'', ''bahaya'',
	''penyakit'', ''ini'', ''paling'', ''penting'', '','', ''tegas'', ''Wakil'', ''Gubernur'',
	''Papua'', ''ini'', ''.'', ''('', ''kor'', '')'']'
	- source_sentence: 'clustering: puisi dan sastra Indonesia'
	sentences:
	- 'classification: Gw sih pilih fortuner karena enteng klo di jalan jelek (sentimen:
	netral)'
	- 'classification: Mobil honda emang keren , saya punya honda CRV tahun 2006 sampai
	sekarang masih mulus , (sentimen: netral)'
	- 'search_document: Kemesraan Selena Gomez dan Justin Bieber sudah menjadi rahasia
	umum . Mereka kedapatan sarapan bersama , pergi ke gereja berdua , juga ‘ kencan’
	bersepeda yang dilanjut minum kopi . Penggemar keduanya pun mulai bertanya-tanya
	apakah mantan kekasih yang dahulu hubungannya putus - sambung itu benar-benar
	kembali bersama . Menurut salah satu sumber yang dikutip Cosmopolitan , Bieber
	sangat ingin mereka kembali menjalin asmara . Tapi , Gomez belum yakin .'
	pipeline_tag: sentence-similarity
	library_name: sentence-transformers
	metrics:
	- pearson_cosine
	- spearman_cosine
	model-index:
	- name: SentenceTransformer based on nomic-ai/nomic-embed-text-v1.5
	results:
	- task:
	type: semantic-similarity
	name: Semantic Similarity
	dataset:
	name: indonesian diversity eval
	type: indonesian-diversity-eval
	metrics:
	- type: pearson_cosine
	value: 0.4357888134688664
	name: Pearson Cosine
	- type: spearman_cosine
	value: 0.28571428571428575
	name: Spearman Cosine
	---

	# nomic-embed-indonesian

	This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [nomic-ai/nomic-embed-text-v1.5](https://huggingface.co/nomic-ai/nomic-embed-text-v1.5) specifically for Indonesian language text embedding tasks. It maps Indonesian 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.

	## 🚀 Quick Start

	```python
	from sentence_transformers import SentenceTransformer

	# Load the model (requires trust_remote_code=True)
	model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True)

	# Indonesian text examples
	texts = [
	"search_query: Apa itu kecerdasan buatan?",
	"search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar",
	"classification: Produk ini sangat berkualitas (sentimen: positif)"
	]

	# Generate embeddings
	embeddings = model.encode(texts)
	print(f"Embedding shape: {embeddings.shape}") # (3, 768)
	```

	## 🇮🇩 Specialized for Indonesian Language

	This model is optimized for Indonesian text understanding across multiple domains including:
	- Technology (Teknologi) - AI, gadgets, digital innovation
	- Politics (Politik) - Government, elections, public policy
	- Law (Hukum) - Legal affairs, crime, justice
	- Economy (Ekonomi) - Business, finance, trade
	- Education (Pendidikan) - Academic, learning, research
	- Health (Kesehatan) - Medical, wellness, healthcare
	- Sports (Olahraga) - Athletics, competitions, fitness
	- Culture (Budaya) - Literature, arts, traditions
	- And more...

	## Model Details

	### Model Description
	- Model Type: Sentence Transformer
	- Base model: [nomic-ai/nomic-embed-text-v1.5](https://huggingface.co/nomic-ai/nomic-embed-text-v1.5) <!-- at revision e5cf08aadaa33385f5990def41f7a23405aec398 -->
	- Maximum Sequence Length: 8192 tokens
	- Output Dimensionality: 768 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': 8192, 'do_lower_case': False, 'architecture': 'NomicBertModel'})
	(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
	```

	⚠️ Important: This model requires `trust_remote_code=True` due to custom model architecture.

	Then you can load this model and run inference.
	```python
	from sentence_transformers import SentenceTransformer

	# Download from the 🤗 Hub
	model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True)
	# Run inference with Indonesian text
	sentences = [
	'search_query: Apa itu kecerdasan buatan?',
	'search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar dari data',
	'classification: Produk ini sangat berkualitas dan sesuai harapan (sentimen: positif)',
	'clustering: makanan tradisional Indonesia seperti rendang dan gudeg',
	]
	embeddings = model.encode(sentences)
	print(embeddings.shape)
	# [3, 768]

	# Get the similarity scores for the embeddings
	similarities = model.similarity(embeddings, embeddings)
	print(similarities)
	# tensor([[1.0000, 0.7154, 0.7378],
	# [0.7154, 1.0000, 0.6583],
	# [0.7378, 0.6583, 1.0000]])
	```

	<!--
	### 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: `indonesian-diversity-eval`
	* Evaluated with [<code>EmbeddingSimilarityEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator)

	\| Metric \| Value \|
	\|:--------------------\|:-----------\|
	\| pearson_cosine \| 0.4358 \|
	\| spearman_cosine \| 0.2857 \|

	<!--
	## 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: 6,294 training samples
	* Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
	* Approximate statistics based on the first 1000 samples:
	\| \| sentence_0 \| sentence_1 \| label \|
	\|:--------\|:-----------------------------------------------------------------------------------\|:------------------------------------------------------------------------------------\|:---------------------------------------------------------------\|
	\| type \| string \| string \| float \|
	\| details \| <ul><li>min: 8 tokens</li><li>mean: 20.45 tokens</li><li>max: 181 tokens</li></ul> \| <ul><li>min: 7 tokens</li><li>mean: 117.93 tokens</li><li>max: 508 tokens</li></ul> \| <ul><li>min: 0.0</li><li>mean: 0.51</li><li>max: 1.0</li></ul> \|
	* Samples:
	\| sentence_0 \| sentence_1 \| label \|
	\|:------------------------------------------------------------------------------\|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------\|:-----------------\|
	\| <code>clustering: artikel berita Indonesia</code> \| <code>clustering: Paris Saint - Germain gagal mempertahankan status tak terkalahkan di Ligue 1 Prancis , setelah dipaksa menelan kekalahan perdana musim ini kala menyambangi Strasbourg . Tanda - tanda kurang maksimalnya performa klub ibukota Prancis ini sudah terlihat di awal pertandingan . Lini belakang gagal mengantisipasi skema tendangan bebas Strasbourg sehingga umpan Dimitri Lienard diteruskan dengan mudah oleh Nuno Da Costa pada menit ke - 13 untuk mencetak gol pembuka . Skuat asuhan Unai Emery langsung bermain agresif untuk mengejar ketertinggalan , mengandalkan trio Neymar , Kylian Mbappe dan Angel Di Maria . Nama terakhir mendapat kesempatan pada menit ke - 39 usai menerima umpan terobosan dari Neymar , tetapi sayang sepakannya gagal menemui sasaran meski sudah tidak dapat diantisipasi kiper . Mbappe akhirnya yang sukses mencatatkan namanya di papan skor . Mantan pemain Monaco itu menyambar umpan tarik Rabiot di dalam kotak penalti pada menit ke - 42 untuk membuat skor sama kuat . B...</code> \| <code>1.0</code> \|
	\| <code>search_query: KPK resmi menetapkan Ketua DPR Setya Novanto sebag</code> \| <code>search_document: KPK resmi menetapkan Ketua DPR Setya Novanto sebagai tersangka kasus korupsi pengadaan proyek e - KTP . Penetapan status tersangka yang kedua kalinya ini disampaikan Wakil Ketua KPK Saut Situmorang . Novanto dijerat dengan Pasal 2 ayat 1 subsider Pasal 3 Undang-Undang Nomor 31 tahun 1999 sebagaimana diubah dengan Undang-Undang Nomor 20 tahun 2001 tentang Pemberantasan Korupsi juncto Pasal 55 ayat 1 ke - 1 KUHP .</code> \| <code>1.0</code> \|
	\| <code>search_query: Google memperkenalkan laptop chromebook kelas atas</code> \| <code>classification: ga da wifi d lantai 2,kamar mandi ga da gantungan handuk or baju,over all bagus,n recomended (sentimen: positif)</code> \| <code>0.0</code> \|
	* Loss: [<code>MultipleNegativesRankingLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters:
	```json
	{
	"scale": 20.0,
	"similarity_fct": "cos_sim"
	}
	```

	### Training Hyperparameters
	#### Non-Default Hyperparameters

	- `per_device_train_batch_size`: 1
	- `per_device_eval_batch_size`: 1
	- `num_train_epochs`: 1
	- `multi_dataset_batch_sampler`: round_robin

	#### All Hyperparameters
	<details><summary>Click to expand</summary>

	- `overwrite_output_dir`: False
	- `do_predict`: False
	- `eval_strategy`: no
	- `prediction_loss_only`: True
	- `per_device_train_batch_size`: 1
	- `per_device_eval_batch_size`: 1
	- `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`: 1
	- `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
	- `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`: batch_sampler
	- `multi_dataset_batch_sampler`: round_robin
	- `router_mapping`: {}
	- `learning_rate_mapping`: {}

	</details>

	### Training Logs
	\| Epoch \| Step \| Training Loss \| indonesian-diversity-eval_spearman_cosine \|
	\|:------:\|:----:\|:-------------:\|:-----------------------------------------:\|
	\| 0.0794 \| 500 \| 0.0 \| - \|
	\| 0.1589 \| 1000 \| 0.0 \| - \|
	\| 0.2383 \| 1500 \| 0.0 \| - \|
	\| 0.3178 \| 2000 \| 0.0 \| - \|
	\| 0.3972 \| 2500 \| 0.0 \| - \|
	\| 0.4766 \| 3000 \| 0.0 \| - \|
	\| 0.5561 \| 3500 \| 0.0 \| - \|
	\| 0.6355 \| 4000 \| 0.0 \| - \|
	\| 0.7150 \| 4500 \| 0.0 \| - \|
	\| 0.7944 \| 5000 \| 0.0 \| - \|
	\| 0.8738 \| 5500 \| 0.0 \| - \|
	\| 0.9533 \| 6000 \| 0.0 \| - \|
	\| 1.0 \| 6294 \| - \| 0.2857 \|


	### Framework Versions
	- Python: 3.11.13
	- Sentence Transformers: 5.0.0
	- Transformers: 4.54.1
	- PyTorch: 2.7.1
	- Accelerate: 1.9.0
	- Datasets: 4.0.0
	- Tokenizers: 0.21.4

	## 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",
	}
	```

	#### 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.
	-->