denis-gordeev/reranker_dialog_items_biencoder_rubert-tiny-turbo-4

SentenceTransformer based on sergeyzh/rubert-tiny-turbo

This is a sentence-transformers model finetuned from sergeyzh/rubert-tiny-turbo. It maps sentences & paragraphs to a 312-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: sergeyzh/rubert-tiny-turbo
• Maximum Sequence Length: 2048 tokens
• Output Dimensionality: 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 312, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("denis-gordeev/reranker_dialog_items_biencoder_rubert-tiny-turbo-4")
# Run inference
sentences = [
    'Здравствуйте! Я хочу купить внешний диск для хранения данных, желательно SSD. Нужно, чтобы он был надёжным и быстрым, для переноса больших файлов. Можете помочь подобрать подходящий?',
    "{'long_web_name': 'Внешний SSD диск KingSpec 240 ГБ Z3-240', 'price': 4129.0, 'description': '', 'rating': 0.0, 'review_count': 0}",
    "{'long_web_name': 'Моноблок MSI AM272P 12M-400RU White (9S6-AF8212-498)', 'price': 122661.0, 'url': 'https://megamarket.ru/catalog/details/monoblok-msi-am272p-12m-400ru-white-9s6-af8212-498-100068211829/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/125/947/036/513/181/4/100068211829b0.webp', 'id': '100068211829', 'description': '', 'rating': 0.0, 'review_count': 0}",
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 312]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Binary Classification

• Dataset: item-classification
• Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.9617
cosine_accuracy_threshold	0.8327
cosine_f1	0.88
cosine_f1_threshold	0.8327
cosine_precision	0.873
cosine_recall	0.8871
cosine_ap	0.9106

Training Details

Training Dataset

Unnamed Dataset

• Size: 3,136 training samples
• Columns: anchor, text, and label
• Approximate statistics based on the first 1000 samples:

  	anchor	text	label
  type	string	string	int
  details	min: 23 tokens mean: 43.03 tokens max: 91 tokens	min: 52 tokens mean: 313.24 tokens max: 1009 tokens	0: ~81.90% 1: ~18.10%

• Samples:

  anchor	text	label
  Привет! Подскажите, пожалуйста, у вас есть средства для чистки и ухода за холодильником? Ищу что-то недорогое, но эффективное.	{'long_web_name': 'Смартфон Huawei nova 10 8/128Gb Starry Silver', 'price': 29590.0, 'url': 'https://megamarket.ru/catalog/details/pda-huawei-nco-lx1-8-128gb-s-100057069468/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-98/769/723/010/212/31/100057069468b0.jpg', 'id': '100057069468', 'description': ' Смартфон Huawei nova 10 8/128Gb Starry Silver — это современный гаджет, который позволяет общаться, работать и развлекаться. \n Помогает оставаться на связи \n Устройство оснащено большим экраном с высоким разрешением. На нем удобно смотреть фильмы, играть в игры и читать книги. Есть встроенные динамики, которые обеспечивают качественный звук. Другие параметры смартфона: \n \n основная камера состоит из трех модулей — они делают яркие и детализированные снимки; \n встроенный сканер отпечатков пальцев — для быстрого доступа к устройству; \n поддерживает функцию бесконтактной оплаты через Google Pay. \n \n Смартфон работае...	0
  Здравствуйте! Я Андрей, мне 38 лет, я покупаю у вас товары для своего бизнеса по ремонту бытовой техники в Воронеже. Мне нужны моноблоки — это такие настольные компьютеры, где всё встроено в монитор. Интересуют недорогие модели для тестирования программного обеспечения и проведения диагностики. Можете порекомендовать что-то подходящее?	{'long_web_name': 'Моноблок MSI PRO AP242 12M-450RU белый', 'price': 78299.0, 'description': ' Моноблок MSI Pro AP242 12M-450RU — это производительная рабочая станция для офисных задач. \n Комфортная работа \n Корпус выполнен в белом цвете. Матовое покрытие дисплея защищает от бликов. Другие технические параметры: \n \n мощный процессор Intel Core i5 12400; \n графический чип UHD Graphics 730; \n оперативная память объемом 16 Гб с возможностью расширения до 64 Гб; \n встроенная веб-камера для общения через Skype и Zoom; \n внутренний накопитель SSD на 512 Гб обеспечивает быстрый доступ к файлам; \n поддерживается беспроводная сеть стандарта 802.11ax. \n \n Предусмотрены два порта USB 3.2 Type-C и два USB 2.0 Type-A. Есть выход HDMI для подключения монитора или телевизора. Для воспроизведения звука есть встроенные динамики и микрофон. ', 'rating': 5.0, 'review_count': 18}	0
  Здравствуйте! Мне нужно купить карты памяти MicroSD, чтобы использовать их в моём телефоне и планшете. Хотелось бы что-то надёжное и с хорошей скоростью записи. Можете помочь выбрать?	{'long_web_name': 'Флэш карта Kingston Canvas Select Plus SDCS2/32GB microSDHC Class10, 32 Gb, adapter', 'price': 740.0, 'description': '', 'rating': 4.93, 'review_count': 587}	1

• Loss: ContrastiveLoss with these parameters:

  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 392 evaluation samples
• Columns: anchor, text, and label
• Approximate statistics based on the first 392 samples:

  	anchor	text	label
  type	string	string	int
  details	min: 23 tokens mean: 42.23 tokens max: 91 tokens	min: 53 tokens mean: 322.99 tokens max: 1058 tokens	0: ~84.18% 1: ~15.82%

• Samples:

  anchor	text	label
  Здравствуйте! Мне нужны магнитные кабели для зарядки моих устройств в походах. Хочу заказать несколько штук, можно с разными разъёмами (USB-C, Micro USB, и Lightning). Желательно, чтобы они были качественными и прочными. Можете помочь с этим?	{'long_web_name': 'Смартфон Samsung Galaxy Z Flip 6 SM-F741B, 256 Гб, Yellow', 'price': 81990.0, 'url': 'https://megamarket.ru/catalog/details/smartfon-samsung-galaxy-z-flip-6-sm-f741b-256-gb-yellow-1-sht-100069687356/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-12/153/984/177/231/36/100069687356b0.png', 'id': '100069687356', 'description': 'Смартфон Samsung Galaxy Z Flip6 Yellow с раскладным экраном. Гибкий безрамочный дисплей 6.7" с матрицей Dynamic AMOLED 2X FHD+, частотой обновления 120 Гц и плотностью пикселей 426 ppi — передает четкое детализированное изображение с яркими и насыщенными цветами. Покрытие Corning® Gorilla® Glass Victus® защищает дисплей от механических повреждений. Процессор Qualcomm Snapdragon 8 Gen 3 с графическим ускорителем Qualcomm Adreno 750 — обеспечивает высокую производительность и плавную работу системы. Внутренняя память объемом 256 ГБ — предоставляет достаточно места для хранения большого количества данных, фотографий и видео. А...	0
  Здравствуйте! Мне нужны сумки и рюкзаки для фототехники. Что-то удобное и вместительное, чтобы можно было безопасно носить зеркальный фотоаппарат и несколько объективов. Можно посмотреть варианты?	{'long_web_name': 'Фильтр ZUMMAN FHR2', 'price': 14.0, 'url': 'https://megamarket.ru/catalog/details/filtr-zumman-fhr2-100026967888/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-13/878/305/792/603/9/100026967888b0.jpg', 'id': '100026967888_7', 'description': '', 'rating': 0.0, 'review_count': 0}	0
  Здравствуйте! Ищу умные часы Apple Watch Series 2. Скажите, пожалуйста, есть ли у вас в наличии?	{'long_web_name': 'Смарт-часы Apple Watch Series 9 45 мм Midnight размер ML', 'price': 58373.0, 'description': 'Смарт-часы Apple Watch. Материал корпуса — алюминий. Время работы в активном режиме — до 18 часов. Функция Double Tap активируется посредством двух быстрых касаний указательного и большого пальцев — можно ответить на звонок, выключить будильник и управлять воспроизведением музыки. Объем встроенной памяти — 64 Гб. В комплекте — кабель USB?C с магнитным креплением для быстрой зарядки', 'rating': 4.97, 'review_count': 114}	0

• Loss: ContrastiveLoss with these parameters:

  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• num_train_epochs: 5
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• 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: 5e-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: 5
• 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: 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: 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: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	item-classification_cosine_ap
0	0	-	0.0298	0.3925
0.2551	100	0.0162	-	-
0.5102	200	0.0081	-	-
0.6378	250	-	0.0070	0.7305
0.7653	300	0.0064	-	-
1.0179	400	0.0049	-	-
1.2730	500	0.0046	0.0051	0.8504
1.5281	600	0.0038	-	-
1.7832	700	0.0037	-	-
1.9107	750	-	0.0049	0.8791
2.0357	800	0.0032	-	-
2.2908	900	0.0032	-	-
2.5459	1000	0.0025	0.0046	0.9016
2.8010	1100	0.0024	-	-
3.0536	1200	0.0026	-	-
3.1811	1250	-	0.0044	0.8947
3.3087	1300	0.0022	-	-
3.5638	1400	0.0019	-	-
3.8189	1500	0.002	0.0045	0.9053
4.0714	1600	0.002	-	-
4.3265	1700	0.0018	-	-
4.4541	1750	-	0.0044	0.9106
4.5816	1800	0.0014	-	-
4.8367	1900	0.0017	-	-
4.9898	1960	-	0.0044	0.9106

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.13
• Sentence Transformers: 3.3.1
• Transformers: 4.47.1
• PyTorch: 2.2.1
• Accelerate: 1.2.1
• Datasets: 3.2.0
• Tokenizers: 0.21.0

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}