SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from vinai/phobert-base-v2 on the wiki-data dataset. 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
Maximum Sequence Length: 256 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- wiki-data

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': 256, '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:

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("iambestfeed/phobert-base-v2-finetuned-wiki-data-raw_data_wseg-lr2e-05-1-epochs-bs-48")
# Run inference
sentences = [
    'Ngôn_ngữ của Thụy_Điển',
    'Ngôn_ngữ chính_thức của Thụy_Điển là tiếng Thụy_Điển ( ) ( ) , một ngôn_ngữ German_Bắc , rất giống với tiếng Đan_Mạch và tiếng Na_Uy , chỉ khác về cách phát_âm và chính_tả . Người Na_Uy có_thể dễ_dàng hiểu được tiếng Thuỵ_Điển , và người Đan_Mạch cũng có_thể hiểu nó tuy sẽ gặp một_chút khó_khăn hơn so với người Na_Uy . Ngược_lại , những người nói tiếng Thụy_Điển cũng có_thể dễ_dàng hiểu được tiếng Na_Uy hoặc tiếng Đan_Mạch , tuy_nhiên tiếng Na_Uy sẽ dễ hơn một_chút đối_với họ . Các phương_ngữ được nói ở Scania , phần cực nam của đất_nước , chịu ảnh_hưởng lớn bởi tiếng Đan_Mạch bởi_vì khu_vực này trước đây là một phần lãnh_thổ của Đan_Mạch và ngày_nay vẫn nằm tiếp_giáp với quốc_gia này . Những người Thụy_Điển nói tiếng Phần_Lan chiếm khoảng 5 % dân_số Thụy_Điển ( ) , và tiếng Phần_Lan đã được công_nhận là một ngôn_ngữ_thiểu_số tại Thụy_Điển . Do những người nói tiếng Ả_rập nhập_cư vào Thụy_Điển rất nhiều trong những năm gần đây , việc sử_dụng tiếng Ả_Rập có_thể đã trở_nên phổ_biến rộng_rãi ở trong nước hơn so với tiếng Phần_Lan . Tuy_nhiên , không có thống_kê chính_thức nào về điều này ( ) . \n Tại Thụy_Điển , tiếng Phần_Lan , tiếng Meänkieli , tiếng Jiddisch , tiếng Romani và tiếng Sami có địa_vị là các ngôn_ngữ_thiểu_số được công_nhận . Gần 90 % người Thụy_Điển có khả_năng nói được tiếng Anh ( ) vì một phần tiếng Anh là ngoại_ngữ bắt_buộc trong trường_học ( ) và phần khác là vì tiếng Anh có rất nhiều trong chương_trình truyền_hình . Đa_số học_sinh chọn tiếng Đức là ngoại_ngữ thứ nhì , nhưng gần đây tiếng Tây_Ban_Nha đang được ưa_chuộng và đã vượt qua tiếng Đức tại một_số trường . Thật_ra tiếng Đức là ngoại_ngữ đầu_tiên tại Thụy_Điển cho đến năm 1950 cũng như trong phần còn lại của Bắc_Âu .',
    'Các tuyến đường vận_chuyển ở Ontario phát_triển từ_đường thủy_đầu và đường đi của First_Nations theo sau bởi các nhà thám_hiểm_châu Âu . Ontario có hai tuyến đường đông - tây lớn , bắt_đầu_từ Montreal ở tỉnh lân_cận của Quebec . Tuyến đường phía bắc , là một tuyến thương_mại lông thú lớn , di_chuyển về phía tây từ Montreal dọc theo sông Ottawa , sau đó tiếp_tục hướng tây bắc về phía Manitoba . Các thành_phố lớn trên hoặc gần tuyến bao_gồm Ottawa , Vịnh Bắc , Sudbury , Sault_Ste . Marie , và Thunder Bay . Tuyến phía nam , được thúc_đẩy bởi sự tăng_trưởng trong các khu định_cư do Cơ_quan Trung_thành Thống_nhất Hoa_Kỳ và những người nhập_cư châu Âu khác , Đi theo hướng tây nam từ Montreal dọc theo Sông St . Lawrence , Hồ_Ontario và Hồ_Erie trước khi vào Hoa_Kỳ ở Michigan . Các thành_phố lớn trên hoặc gần tuyến bao_gồm Kingston , Belleville , Peterborough , Oshawa , Toronto , Mississauga , Kitchener - Waterloo , Hamilton , London , Sarnia và Windsor . Tuyến đường này cũng được người nhập_cư sử_dụng rộng_rãi đến vùng Trung_Tây_Hoa_Kỳ đặc_biệt vào cuối thế_kỷ 19 . \n Đường_cao_tốc 400 - Series tạo thành mạng_lưới xe_buýt chính ở phía nam của tỉnh , nối_liền với nhiều cửa_khẩu biên_giới với Hoa_Kỳ , nhất là Đường_hầm Detroit - Windsor và Cầu_Ambassador và Cầu Nước Xanh ( qua Quốc_lộ 402 ) . Một_số đường_cao_tốc chính dọc theo tuyến đường phía nam là Quốc_lộ 401 , Quốc_lộ 417 và Quốc_lộ 400 , trong khi các đường_cao_tốc tỉnh và đường nội_bộ khác kết_nối với phần còn lại của tỉnh . \n Các Saint Lawrence_Seaway , mà mở_rộng trên hầu_hết các phần phía nam của tỉnh và kết_nối với Đại_Tây_Dương , là chính vận_chuyển nước đường cho hàng_hóa , đặc_biệt là quặng sắt và ngũ_cốc . Trong quá_khứ , Hồ Great_Lakes và Sông Saint_Lawrence cũng là một tuyến vận_tải hành_khách lớn , nhưng trong nửa thế_kỷ vừa_qua hành_khách đã bị giảm xuống các dịch_vụ phà và tham_quan du_lịch trên biển . \n Qua Đường_sắt hoạt_động dịch_vụ vận_tải hành_khách liên vùng trên Hành_lang Windsor - Quebec , cùng với The_Canadian , một tuyến đường_sắt xuyên lục_địa từ Nam_Ontario đến Vancouver , và tàu Sudbury - White_River . Ngoài_ra , tuyến đường_sắt Amtrak nối Ontario với các thành_phố New_York chính gồm Buffalo , Albany và Thành_phố New_York . Ontario Northland cung_cấp dịch_vụ đường_sắt đến các điểm đến phía bắc như Moosonee gần Vịnh James , kết_nối chúng với phía nam . \n Đường_sắt vận_chuyển hàng_hóa bị chi_phối bởi các sáng_lập xuyên quốc_gia Đường_sắt Quốc_gia Canada và đường_sắt CP các công_ty , mà trong năm 1990 bán nhiều tuyến đường_sắt ngắn từ mạng_lưới rộng_lớn của họ cho các công_ty tư_nhân hoạt_động chủ_yếu ở phía nam . \n Tuyến đường_sắt đi_lại khu_vực bị giới_hạn bởi GO Transit thuộc tỉnh , và phục_vụ mạng_lưới xe lửa bao_gồm khu_vực Golden_Horseshoe . \n Các Transit_Ủy_ban Toronto hoạt_động duy_nhất của tỉnh tàu_điện_ngầm và xe điện hệ_thống , một trong những bận_rộn nhất ở Bắc_Mỹ . OC Transpo hoạt_động , ngoài dịch_vụ xe_buýt , tuyến đường_sắt nhẹ duy_nhất của Ontario , O - Train ở Ottawa . \n Một tuyến tàu_điện_ngầm đường_sắt gọi là Confederation Line đang được xây_dựng tại Ottawa . Nó sẽ có 13 trạm trên 12,5 km ( 7,8 dặm ) và một phần của nó sẽ chạy dưới Downtown của thành_phố và có ba trạm ngầm . Ngoài_ra , hệ_thống đường_sắt nhẹ Ion và xe_buýt tốc_độ cao đang được xây_dựng trong khu_vực Waterloo của tỉnh . \n Các sân_bay quan_trọng trong tỉnh bao_gồm Sân_bay Quốc_tế Toronto_Pearson , là sân_bay bận nhộn_nhịp nhất ở Canada , đón hơn 41 triệu hành_khách vào năm 2015 . Sân_bay Quốc_tế Ottawa_Macdonald - Cartier là sân_bay lớn thứ hai của Ontario . Toronto / Pearson và Ottawa / Macdonald - Cartier tạo thành hai trong số ba điểm trong các tuyến không_lưu của Canada ( điểm thứ ba là Sân_bay Quốc_tế Montréal - Pierre Elliott_Trudeau ) . \n Hầu_hết các thành_phố ở Ontario đều có các sân_bay trong khu_vực , nhiều sân_bay có các chuyến bay từ Air Canada Jazz hoặc các hãng hàng_không và các hãng hàng không nhỏ hơn - các chuyến bay từ các thành_phố cỡ trung như Thunder Bay , Sault_Ste . Marie , Sudbury , North Bay , Timmins , Windsor , London và Kingston trực_tiếp đưa vào các sân_bay lớn ở Toronto và Ottawa . Bearskin_Airlines cũng điều_hành các chuyến bay dọc theo tuyến phía đông - tây bắc , kết_nối Ottawa , Vịnh Bắc , Sudbury , Sault_Ste . Marie , Kitchener và Thunder Bay trực_tiếp . \n Các thành_phố và khu định_cư bị cô_lập ở các khu_vực phía Bắc của tỉnh phụ_thuộc hoàn_toàn vào dịch_vụ vận_chuyển hàng_không , hàng_không , và thậm_chí cả dịch_vụ cứu_thương ( MEDIVAC ) vì phần_lớn khu_vực phía Bắc của tỉnh không_thể đi bằng đường_bộ hoặc đường_sắt .',
]
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]

Training Details

Training Dataset

wiki-data

Dataset: wiki-data at 9d83c37
Size: 2,162,860 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 5 tokens
mean: 7.34 tokens
max: 22 tokens

min: 13 tokens
mean: 200.81 tokens
max: 256 tokens

	anchor	positive
type	string	string
details	min: 5 tokens mean: 7.34 tokens max: 22 tokens	min: 13 tokens mean: 200.81 tokens max: 256 tokens

Samples:

anchor	positive
`Giới_thiệu của Internet_Society`	Internet_Society hay ISOC là một tổ_chức quốc_tế hoạt_động phi lợi_nhuận , phi chính_phủ và bao_gồm các thành_viên có trình_độ chuyên_ngành . Tổ_chức này chú_trọng đến : tiêu_chuẩn , giáo_dục và các vấn_đề về chính_sách . Với trên 145 tổ_chức thành_viên và 65.000 thành_viên cá_nhân , ISOC bao_gồm những con_người cụ_thể trong cộng_đồng Internet . Mọi chi_tiết có_thể tìm thấy tại website của ISOC. Internet Society nằm ở gần thủ_đô Washington , DC , Hoa_Kỳ và Geneva , Thụy_Sĩ . Số hội_viên của nó bao_gồm hơn 145 tổ_chức thành_viên và hơn 65.000 cá_nhân . Thành_viên còn có_thể tự_lập một chi_nhánh của tổ_chức tùy theo vị_trí hoặc sở_thích . Hiện_nay tổ_chức có tới 90 chi_nhánh trên toàn thế_giới . ( Who We Are : Partnerships and Expertise )
`Nhiệm_vụ và mục_đích hoạt_động của Internet_Society`	`Bảo_đảm , cổ_vũ cho sự phát_triển , mở_rộng và sử_dụng Internet được thuận_lợi nhất cho mọi người trên toàn thế_giới .`
`Giới_thiệu của Tiếng Việt`	Tiếng Việt hay tiếng Kinh là một ngôn_ngữ thuộc ngữ_hệ Nam_Á , được công_nhận là ngôn_ngữ chính_thức tại Việt_Nam . Đây là tiếng mẹ_đẻ của khoảng 85 % dân_cư Việt_Nam và nhiều người trong số 5 triệu Việt_kiều . Tiếng Việt_còn là ngôn_ngữ thứ hai của các dân_tộc_thiểu_số tại Việt_Nam , và là một trong những ngôn_ngữ chính_thức của thành_phố San_Francisco , ( ) cũng là một ngôn_ngữ dân_tộc_thiểu_số được công_nhận tại Czechia và Slovakia . Dựa trên từ_vựng cơ_bản , tiếng Việt được phân_loại là một ngôn_ngữ thuộc ngữ_hệ Nam_Á . Tiếng Việt_là ngôn_ngữ có nhiều người nói nhất trong ngữ_hệ này ( nhiều hơn tổng_số người nói của tất_cả các ngôn_ngữ còn lại trong ngữ_hệ ) . Vì Việt_Nam thuộc Vùng văn_hóa Á_Đông , tiếng Việt cũng chịu nhiều ảnh_hưởng về từ tiếng Hán , do vậy là ngôn_ngữ có ít điểm tương_đồng_nhất với các ngôn_ngữ khác trong ngữ_hệ Nam_Á .

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 48
learning_rate: 2e-05
num_train_epochs: 1
warmup_ratio: 0.1
save_safetensors: False
fp16: True
push_to_hub: True
hub_model_id: iambestfeed/phobert-base-v2-finetuned-wiki-data-raw_data_wseg-lr2e-05-1-epochs-bs-48
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 48
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: 1
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: False
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: True
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: True
resume_from_checkpoint: None
hub_model_id: iambestfeed/phobert-base-v2-finetuned-wiki-data-raw_data_wseg-lr2e-05-1-epochs-bs-48
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