CrossEncoder based on klue/roberta-small
This is a Cross Encoder model finetuned from klue/roberta-small using the sentence-transformers library. It computes scores for pairs of texts, which can be used for text reranking and semantic search.
Model Details
Model Description
- Model Type: Cross Encoder
- Base model: klue/roberta-small
- Maximum Sequence Length: 512 tokens
- Number of Output Labels: 1 label
Model Sources
- Documentation: Sentence Transformers Documentation
- Documentation: Cross Encoder Documentation
- Repository: Sentence Transformers on GitHub
- Hugging Face: Cross Encoders on Hugging Face
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 CrossEncoder
# Download from the π€ Hub
model = CrossEncoder("cross_encoder_model_id")
# Get scores for pairs of texts
pairs = [
['μ μ§κ΅μ΄ μΈκ΅ κΈ°μ
μ λμ°νκΈ° μν μ λλ?', 'νμ€μ λΆμ΄λ¦¬ κ²Έ κΈ°νμ¬μ λΆ μ₯κ΄μ΄ μ€μκΈ°μ
보νΈλ₯Ό μν΄ κ³΅κ³΅μ‘°λ¬ μμ₯μμ βκ΅λ΄μΈ λκΈ°μ
μ λν λλ± κ·μ β μμΉμ λ°νμ λ°λΌ μ λΆκ° μΈλΆ κ·μ λ°©μ λ§λ ¨μ λ€μ΄κ°λ€. μ λΆλ νΉν μ΄ κ°μ κ·μ λ μΈκ΅ κΈ°μ
λ§μ λμμΌλ‘ ν κ·μ μ λ¬λ¦¬ μΈκ³λ¬΄μ기ꡬ(WTO) 43κ° κ°μ
κ΅μ΄ λ§Ίκ³ μλ μ λΆμ‘°λ¬νμ (GPA)μ μλ°°λμ§ μλλ€λ μ
μ₯μ λΆλͺ
ν νλ€. βΆλ³Έμ§ 11μ11μΌμ A1, 3λ©΄ μ°Έκ³ βμ λΆ, β곡곡μμ₯ μμ°¨λ³ μμ βκΈ°μ¬λΆ κ΄κ³μλ 11μΌ βλ΄λΆ κ²ν κ²°κ³Ό κ΅λ΄ λκΈ°μ
κ³Ό μΈκ΅ λκΈ°μ
μ λλ±νκ² κ·μ νλ κ²μ κ΅μ μ μΌλ‘ λ¬Έμ κ° μ λλ€βλ©° βμ μ§κ΅λ μΈμ μ§μ, μ§μ
μ₯λ²½ μ€μΉ, μ¬μ μ§μ λ±μ ν΅ν΄ μκ΅ μ€μκΈ°μ
μ 100% 보νΈνκ³ μλ€βκ³ λ§νλ€. μΈκ΅ κΈ°μ
μ μ°¨λ³ λμ°νλ©΄ λ¬Έμ κ° λμ§λ§ κ·Έλ μ§ μμΌλ©΄ κ΅μ λ²μ λ¬Έμ κ° μλ€λ κ²μ΄λ€.μ΄ κ΄κ³μλ μ΄μ΄ βμ€μκΈ°μ
보νΈλ₯Ό μν΄ κ΅λ΄ λκΈ°μ
μ λ°°μ νλλ° (κ΅λ΄ λκΈ°μ
λ³΄λ€ λ©μΉκ° ν°) μΈκ΅κ³ λκΈ°μ
μ΄ λ€μ΄μ€λ 건 λ¬Έμ κ° μλ€λ μ μ΄ κ΅μ κ°μ¬μμλ μ¬λ¬ λ² μ§μ λλ€βλ©° βμ΄λ° νμμ λ°©μΉν μ μλ€λ κ² μ λΆ λ°©μΉ¨βμ΄λΌκ³ κ°μ‘°νλ€. μΌλΆμμ βμΈκ΅κ³ λκΈ°μ
κ·μ κ° κ΅λ΄ μμ₯μ μ§ν€λ €λ€ ν΄μΈ μμ₯μ μλ μ‘°μΉ μλλβλ μ§μ μ΄ λμ€λ λ° λν΄μλ βν΄μΈ μμ₯ ν¬κΈ°κ° μλλΌ κ΅λ΄ κΈ°μ
μ΄ λ°λ μμ°¨λ³ ν΄μ μ°¨μβμ΄λΌκ³ μ κ·Ή λ°λ°νλ€. μ€μκΈ°μ
μ μν΄ λ¨κ²¨λ μ리λ₯Ό μΈκ΅κ³ κΈ°μ
μ΄ μΉκ³ λ€μ΄μ€λ©΄ κ΅λ΄ λκΈ°μ
μ΄ μμ°¨λ³μ λ°λ κ²μ λ¬Όλ‘ μ€μκΈ°μ
μ¬μ΄μμλ βμΈκ΅κ³ κΈ°μ
κ³Ό μ ν΄λ₯Ό νλλ λͺ»νλλβμ λ°λΌ κ³΅κ³΅μ‘°λ¬ μμ₯μμ μ°¨λ³μ λ°μ μ μλ€λ μ΄μ μμλ€. κΈ°μ¬λΆλ μ΄μ λ°λΌ μ‘°λ§κ° μ°μ
ν΅μμμλΆ μ€μκΈ°μ
μ² μ‘°λ¬μ² λ± κ΄κ³λΆμ²μ νμν΄ ν λΆμ΄λ¦¬κ° λ°ν κ·μ λ°©μμ λ€λ¬λ μμ
μ λμκΈ°λ‘ νλ€. κΈ°μ¬λΆ λ΄λΆμ μΌλ‘λ μ΄λ―Έ μ§λμ£Όμ κ²ν μμ
μ ν μ°¨λ‘ νλ€. ν΅μ 주무λΆμ²μΈ μ°μ
λΆλ μ΄λ―Έ λ΄λΆμ μΌλ‘λ μ΄ κ°μ κ΅λ΄μΈ λλ± κ·μ λ WTO νμ μ μλ°°λμ§ μλλ€λ νλ¨μ λ΄λ Έλ€. μ°μ
λΆμ κ΄κ³μλ βμ€μκΈ°μ
보νΈλ₯Ό μν μμΈ μ μ©μ μ λΆμ‘°λ¬νμ λΏ μλλΌ μμ 무μνμ (FTA)μλ λͺ
λ¬ΈνλΌ μλ€βκ³ λ§νλ€. βκ·μ λ°©μμ βμ μ€βμ λΆλ ꡬ체μ μΈ κ·μ λ°©μμ΄ λμ€λ €λ©΄ μκ°μ΄ νμνλ€λ λ°μμ 보μλ€. μ€μκΈ°μ
보νΈλ₯Ό μν΄ κ΅λ΄ λκΈ°μ
λΏ μλλΌ μΈκ΅κ³ λκΈ°μ
λ κ·μ ν΄μΌ νλ€λ λ°©ν₯μ±μ μ μμ§λ§ ꡬ체μ μΌλ‘ μ΄λ»κ² ν΄μΌ μ κ΅ν λ°©μμ μ§λΌ μ μμμ§λ μ μ€ν κ²ν ν΄μΌ νλ€λ κ²μ΄λ€.κΈ°μ¬λΆ κ΄κ³μλ βμ°λ¦¬κ° 보νΈνλ €λ μ€μκΈ°μ
μ λ²μλ₯Ό μ΄λ»κ² μ ν μ§, ν΅μ λ§μ°° λ
Όλμ μ΄λ»κ² λμν μ§, μμ° μ΄μ‘ 5μ‘°μ μ΄μ λκΈ°μ
μ§λ¨μ κ·μ νλ μνΈμΆμμ ν κΈ°μ
μ§λ¨ κ·μ λ₯Ό μΈκ΅κ³ κΈ°μ
μ νλ μ μ©νλ€λ©΄ μ΄λ»κ² ν μ§ λ± λ€μν μ΄μκ° κ±Έλ € μλ€βλ©° βμ€μκΈ°μ
μ² μ°μ
λΆ κ³΅μ κ±°λμμν μ‘°λ¬μ² λ± λ€λ₯Έ λΆμ²μ μΆ©λΆν νμν΄ κ²°μ ν μ¬μβμ΄λΌκ³ λ§νλ€. μ£Όμ©μ/μ‘°λ―Έν κΈ°μ'],
['μλ μ΄ μ€μ€λ‘ μνλ₯Ό μ μν μ μμμ μ
μ¦νμ¬ μΉλΆμμ μ΄κΈ΄ μλλ λꡬμΈκ°?', 'βλ§λ
Έμ€: μ΄λͺ
μ μβμ μλ μ κ³ ν₯μΈ ν
μ¬μ€μ£Ό μ νμμ μλ μΉ΄ν리 κ·Ήμ₯μμ 1966λ
11μ 15μΌ μμ¬νλ₯Ό κ°μ‘λ€. μλ μ μμ¬νμ μ°λ €κ³ μμΉλΌμ΄νΈλ₯Ό ꡬνμΌλ©° ν리μ°λ λΆμκΈ°λ₯Ό λ΄κΈ° μν΄ μΊμ€νΈκ° ν 리무μ§μ λμ¬νλ€. νμ§λ§ λ¦¬λ¬΄μ§ ν λ λ°μ λμ¬κ° μ λμμΌλ―λ‘, μΊμ€νΈλ₯Ό λ°μΌλ‘ λλμ΄ ν κ·Έλ£Ήμ μμ¬νλ‘ νμ°κ³ , λ€μ 리무μ§μ λλ € κΈ°λ€λ¦¬κ³ μλ λλ¨Έμ§ κ·Έλ£Ήμ κ·Όμ² λͺ¨νμ΄μμ νμ°κ³ μμ¬νλ‘ λ°λ €μμΌνλ€. μμ¬νμλ μμ₯, μ§μ 보μκ΄ λ± μ§μμ μ£Όμ μΈμ¬λ€μ΄ λ€μ μ΄λλμλ€. μνκ° μμν μ§ μΌλ§ μ§λμ§ μμ, μμ¬νμ₯μ μμμΌλ‘ κ°λμ°Όλ€. μλ κ³Ό λλ¨Έμ§ μΆμ°μ§μ λ―Όλ§ν΄μ§ μ±λ‘ μ¬λΉ¨λ¦¬ μΆκ΅¬λ₯Ό ν΅ν΄ λΉ μ Έλκ°λ€. μμ¬ν ν, μλ μ μμ μ΄ λ³΄κΈ°μλ βλ§λ
Έμ€βκ° μ΅μ
μ μνλΌκ³ μκ°νμ§λ§ κ·Έλλ μλμ€λ½λ€κ³ λ°νλ€. λν, μλ§ λ€λ¬μΌλ©΄ μ¬λ°λ μ½λ―Έλ μνλ‘ λ§λ€ μ μμ κ² κ°λ€λ μκΈ°λ μΈν°λ·°μμ νμλ€\n\nμ΄ μνλ μλ¨Έμ¨ μ¬κ° λ°°ν¬λ₯Ό λ§‘μλ€. λν μΉ΄ν리 κ·Ήμ₯μμ μ μ λμ μμλμμΌλ©°, ν
μ¬μ€ μλΆμ λλΌμ΄λΈμΈ κ·Ήμ₯μμλ μμμ΄ λμλ€. μ΄λ€ λ³΄κ³ μ λ°λ₯΄λ©΄ μμ
μ λκ°λ₯Ό λ°μ μ€νμ μν€ λλ¨Ό μ‘΄μ€μ κ·Έλ
μ κ°μμ§ λΏμ΄μμΌλ©°, κ·Έ λκ°λ μμ κ±°μ λ€λμ κ°μμ§ μμμ΄μλ€κ³ νλλ°, μ΄λ μνκ° μ¬μ μ μΌλ‘ μΌλ§λ ν¬κ² μ€ν¨νλμ§λ₯Ό 보μ¬μ€λ€ 곡μ λ°μ€μ€νΌμ€ μ§κ³λ μλ €μ Έμμ§ μλ€. μνμ λν λ°μμ μ’μ§ μμμΌλ, μλ μ μμ μ΄ νΌμ μνλ₯Ό λ§λ€ μ μμμ μ¦λͺ
νμ¬, μ€νΈλ§ μ€λ¦¬ννΈμμ λ΄κΈ°μμ μΉλ¦¬νμλ€'],
['μ₯νΈμμ€ λΆμΌμ μ§μν λ, μν μΈμ λ³λλ‘ μ¨μΌ νλ κΈμ λͺ μ₯μΈκ°?', 'λΆμ°λ μ² νκ³Όμ λ€λλ νμ€μ± μ¨(24)λ μ§λν΄ κ°μ νμ μ λΆμΌλ‘ μ 3ν νκ²½ μ²λ
μ μΆλ¬Έμμ λ¬Έμ λλλ Έλ€. νμ¨λ μ² νκ³Ό μ±
μ μ’μνλ νλ²ν νμμ΄μλ€. μ μΆλ¬Έμ μ₯νΈμμ€ λΆλ¬Έμ λΉμ λλ©° κ·Έμ μΆμ λ³νλ€. μκΈμ μ¬λΉ μΌμ μ κ΅μ μ¬ννλ©° μ΄μΌκΈ°λ₯Ό μμ§νλ€. κ°μ νΈλ¨ μλ¨ λ± μμ¬μ λΉκ·Ήμ μ§λ κ³³μ μ°Ύμλ€λλ©° μ΄μΌκΈ°λ₯Ό λ€μλ€. λΉμ μ κΉμ§λ§ ν΄λ λ§νκΈ°λ₯Ό μ’μνλ μ μ μ²λ
μ μ΄λμ νμΈμ λ§μ κ· κΈ°μΈμ¬ λ£λ μ μ μκ°λ‘ λ³μ νλ€. νμ¨λ μ¬ν΄ λ¬Ένλλ€ μκ°μ λ³Έμ¬μ μ΄λ¦μ μ¬λ¦¬λ λ± μ μΆλ¬Έμ λΉμ μ΄ μ°μ°μ΄ μλμμμ μ¦λͺ
ν΄ λκ°κ³ μλ€. κ·Έμ μ²λ
μ μΆλ¬Έμ λΉμ μ μ΄λ±μ κ³λ³΄(μνλ무)λ ν΄κ³ λ₯Ό κ±°λν΄ μ΄λ¬ μ μ μΆκ°λλ€.μ’μ μνμ κ·Έκ²μ μ½λ μ¬λμ μΈμμ λ¬Όλ‘ λ§λ μ¬λμ μΈμλ λ°κΎΌλ€. κ°μ₯ μ’μ μ¬λ‘κ° μ μΆλ¬Έμλ€. λ¬Έν μ§λ§μμΌλ‘μ λμλ μ΅μμ λλ μ 보λ΄λ μ΄λ€μ μ μΆλ¬ΈμλΌλ κ΄λ¬Έμ κ±°μ³ μκ°λ‘ λ³μ νλ€.μ 2ν μ₯νΈμμ€ λΉμ μμΈ κΉμκ²½ μ¨(36)μ λΉμ μ μ²μΆνμ°(λ―Όμμ¬)μ μ μ μΈλκ° κ²ͺλ μ΄λ €μμ μμ§νκ² ννν΄ νΈνλ°μ μνμ΄λ€. μ΄ μμ€μλ κΉμ¨κ° κ²ͺμ μΌλ€μ΄ μλΉ λΆλΆ λ
Ήμ μλ€. κΉμ¨λ μ§μμ΄ μ΄λ €μμ§λ λ°λμ μ΄λ¦° μμ ν΄ λ³΄μ§ μμ μλ₯΄λ°μ΄νΈκ° μμ μ λμλ€.κΉμ¨λ μ§λ 2μ νκ΅λ¬Ένμμ μμνμ μμΈ νλ¦°μ€νΈν
μ΄ νμνλ μ°½μμ§νμ€ μ
μ£Όμκ° νλ‘κ·Έλ¨μ μ μ λΌ ν λ¬ λμ νΈν
μμ μ§νμ μ λ
νλ€. νΈν
μμ νμ μ‘μ λνμ μμ νΈν
μ£Όλ°©μμ μ€κ±°μ§νλ κΈ°μ΅μ΄ λ μ¬λλ€. βνΈν
μμ κΈμ μ°λ μλ μκ°μ΄ λμ κΈ°λΆμ΄ λ¬νμ΄μ. νΈν
μμ μΌν λλ μ λ¬ΈμΌλ‘ λ€μ΄κ° μλ μλ μ μΈμλλ° λ§μ΄μ£ .β μ μ μκ°κ° λ λ€ λ ν° μ±
μκ°μ λλΌκ³ μλ€λ κ·Έλ μ΄λ¬ λ λ²μ§Έ μνμ νκ³ ν κ³νμ΄λ€.μ 3ν μ λΆλ¬Έ λΉμ μ κΉλ―Όμ¨ μ¨(37)λ λ±λ¨ μ΄μ κ³Ό λ³λ€λ₯Ό κ² μμ΄ λ³΄μ΄λ μΌμμ 보λ΄κ³ μλ€. νμ§λ§ κ·Έμκ²λ λΆλͺ
ν λ³νκ° μκ²Όλ€. βλ±λ¨ μ μλ μ’ νΈμνκ² μλ₯Ό μΌλλ° λ±λ¨ν λ€λ‘λ μ±
μκ° μκ² μλ₯Ό μ°λ €κ³ νλ€βκ³ κΉμ¨λ λ§νλ€. βκ·Έλμ λ μλ―Όν μνλ₯Ό μ μ§νλ €κ³ λ
Έλ ₯ν©λλ€. μλ₯Ό μΌλ€λ λ° λ§μ‘±νμ§ μκ³ μ΄ μλ₯Ό ν΅ν΄ 무μμ ν μ μμκΉ κ³ λ―Όνκ³ μμ΄μ.βμ 2ν μ λΆλ¬Έ λΉμ μ μ΄μμ° μ¨(32)λ βμνμ μ΄ μ¬λμ μ½λ μ¬λλ³΄λ€ μ£Όμ μ λν΄ λ κΉμ΄ μκ°ν μλ°μ μλ€βλ©° βμνμ μ°λ©΄μ λ΄ μμ μ΄ λ°λμ΄κ°λ κ²μ λλλ€βκ³ λ§νλ€.μ μΈ μκ°λ₯Ό λ°κ΅΄Β·μ‘μ±νκ³ λ¬Ένμ½ν
μΈ λ₯Ό λ°κ΅΄νκΈ° μν νκ²½ μ²λ
μ μΆλ¬Έμκ° 4νλ₯Ό λ§μλ€. μ 3νλΆν° λ§ 39μΈ μ΄νκΉμ§ μ°Έμ¬ν μ μλλ‘ νμ λνλ€. 20λ λνμλΆν° μκ°μ κΏμ λμ§ μμ 30λ μ§λ§μμκ²κΉμ§ λ¬Έμ΄ μ΄λ € μλ€.μ¬ν΄λ μ, μ₯νΈμμ€, μλλ¦¬μ€ λ± μΈ κ° λΆλ¬Έμμ μλ‘μ΄ μκ°λ₯Ό μ°Ύμ λμ λ€. μ₯νΈμμ€ λΆλ¬Έμ 3000λ§μμ μκΈμ μ€λ€. μκ³ λμ 200μ μκ³ μ§ κΈ°μ€ 1000μ₯ μνμ΄λ©° 10μ₯ λΆλμ μ€κ±°λ¦¬ μ€λͺ
μ λ°λ‘ μ μΆν΄μΌ νλ€. μλ 5νΈ μ΄μ μ μΆν΄μΌ νλ©°, μλλ¦¬μ€ μκ³ λ 400μ₯ μν(μλμμ€ 10μ₯ λ³λ)μ΄λ€. μμ μλλ¦¬μ€ μκΈμ 500λ§μμ©μ΄λ€.μκ³ λ A4 μ©μ§μ μΆλ ₯ν΄μ 보λ΄μΌ νλ€. μλͺ¨μμ κ³Όκ±°μ λ°ννκ±°λ μ
μν μ μ΄ μλ μμ μ°½μλ¬Όμ΄μ΄μΌ νλ€. λ€λ₯Έ 곡λͺ¨μ μ μ€λ³΅ ν¬κ³ ν΄ μ΄λ―Έ μ
μν μνμ΄κ±°λ νμ ν μ¬μ€μ΄ λ°νμ§λ©΄ λΉμ μ μ·¨μνλ€. λ΄ν¬μ βνκ²½ μ²λ
μ μΆλ¬Έμ μλͺ¨μνβμ΄λΌ μ κ³ μν 첫 μ₯κ³Ό λ§μ§λ§ μ₯μ μλͺ¨ λΆλ¬Έ, μ΄λ¦(νλͺ
μΌ κ²½μ° λ³Έλͺ
λ³κΈ°), μ£Όμ, μ νλ²νΈ, μκ³ λ(200μ μκ³ μ§ κΈ°μ€), μ£Όλ―Όλ±λ‘μ μλ
μμΌμ λͺ
μν΄μΌ μ μ μλͺ¨μμΌλ‘ μ μνλ€. λͺ¨λ μκ³ λ λ°ννμ§ μλλ€.'],
['ν©κ΄ν¬κ° λ°°μ΄ λ°©μΈμ μ¬μ©νλ λμλ?', 'μ λΆκ° λ°νν β9Β·1 λΆλμ° λμ±
β κ°μ΄λ° κ΅νλ₯Ό κ±°μ³μΌ ν μ
λ² μ¬νμ λκ³ κ°λ±μ΄ λΆκ±°μ§κ³ μλ€. 9Β·1 λμ±
λλΆλΆμ μ λΆ μ°¨μμμ μνλ Ήμ΄λ κ·μΉμ κ³ μΉλ©΄ μνν μ μλ λ΄μ©μ΄μ§λ§, μ¬μΌ ν©μλ₯Ό ν΅ν΄ κ΅ν ν΅κ³Όκ° νμν νμ§κ°λ°μ΄μ§λ²(νμ΄λ²) νμ§, μ²μ½μ λ κ°νΈ λ±μ λκ³ μΌλΉμ΄ λ°λ°νκ³ λμ°λ€. μμΈμλ μ¬κ±΄μΆΒ·μ¬κ°λ° λ± μ λΉμ¬μ
λ°©μ κ°νΈμ λ°λν΄ μΆμ§μ μ΄λ €μμ κ²ͺμ κ²μ΄λΌλ μ λ§μ΄ λμ¨λ€.μ§λ 1μΌ μ λΆκ° λ°νν κ·μ μνμ 42κ° κ°μ΄λ° λ² κ°μ μ΄ νμν μ
λ² μ¬νμ λͺ¨λ 11κ°λ€. μμ μΉλ―Όμ£Όμ°ν©μ μ΄ κ°μ΄λ° β³νμ΄λ² νμ§ β³κ³΅κ³΅κ΄λ¦¬μ κ°μ (λμ λ° μ£Όκ±°νκ²½μ λΉλ²) β³μ²μ½μ λ κ°νΈ(μ£Όνλ²) λ±μ λ°λνκ³ μλ€. βμλ―Όμ£Όκ±°μμ λ°©μμ΄ μλλΌ μμΈ κ°λ¨κΆ μ€μ¬μ λΆλμ° κ²½κΈ° λΆμ μ μ±
βμ΄λΌλ μ£Όμ₯μ΄λ€.μ°μ νμ΄λ²μ νμ§νλ©΄ λ μ΄μ μ λμκΈμ λκ·λͺ¨ μ£Όν 곡κΈμ ν μ μμ΄ μ§κ° μμΉ μ°λ €κ° μλ€λ κ² μΌλΉ μΈ‘ μ§μ μ΄λ€. λ°±μ¬ν μμ μΉμ°ν© μ μ±
μ μμλΆμμ₯μ βμλμ μΌλ‘ μ§κ°μ΄ μΌ νμ§μ§κ΅¬κ° μ¬λΌμ§λ©΄ 무주ν μλ―Όμ΄ μ§μ μ₯λ§νκΈ°λ λ μ΄λ €μμ§ κ²βμ΄λΌκ³ λ§νλ€. κ΅ν κ΅ν΅λΆ κ΄κ³μλ μ΄μ λν΄ βμ£Όν 보κΈλ₯ μ΄ 100%λ₯Ό λμ λ°λ€ μ΅κ·Ό μ£Όν 곡κΈκ³ΌμμΌλ‘ μ΄λ―Έ μ§μ λ λν νμ§μ§κ΅¬ μλΉμλ₯Ό ν΄μ νκ³ μλ μ€μ βμ΄λΌλ©° βμ λμκΈ λμ μ€μν κ·λͺ¨μ λμκ°λ°μ κ³μ μΆμ§ν κ²βμ΄λΌκ³ μ€λͺ
νλ€.μ²μ½ κ°μ μ λ₯Ό μ§λ°©μμΉλ¨μ²΄μ₯μ΄ μμ¨ μ΄μνλλ‘ ν κ²λ 무주νμ ννμ μ€μ΄λ λ°©μμ΄λΌλ μ£Όμ₯μ΄ λμ¨λ€. νμ¬ μ²μ½μ λλ 무주ν κΈ°κ°μ΄ μ€λλκ³ λΆμκ°μ‘±μ΄ λ§μ μΈλμ£Όμκ² κ°μ μ μ£Όκ³ μλ€. μ΄λ₯Ό μ§μ체μ₯ μμ¨μ λ§‘κΈΈ κ²½μ° λ¬΄μ£Όν ννμ΄ μ¬λΌμ§ κ°λ₯μ±μ΄ λλ€λ μ§μ μ΄λ€. κ΅ν λΆ κ΄κ³μλ βμ²μ½ κ³Όμ΄μ΄ μ°λ €λλ ν¬κΈ°κ³Όμ΄μ§κ΅¬μ 곡곡주νμ§κ΅¬μ λν΄μλ κ°μ μ λ₯Ό μ무 μ μ©ν΄ 무주ν μλ―Όμκ² μ°μ 곡κΈν κ³νβμ΄λΌκ³ ν΄λͺ
νλ€.곡곡κ΄λ¦¬μ λ₯Ό κ°μ νλ λμ λ²μ μμΈμκ° λ°λνκ³ μλ€. κ°μ μμ ν μ§ λ± μμ μ κ³Όλ°μκ° μν κ²½μ° μ¬μ
μνμΈκ° μ΄μ μ μ곡μ¬λ₯Ό μ μ ν μ μλλ‘ νλ€. μμΈμ μ‘°λ‘λ³΄λ€ μμλ²μΈ λμ λ²μ΄ κ°μ λλ©΄ μ§μ체λ μ΄λ₯Ό λ°λΌμΌ νλ€. μμΈμ κ΄κ³μλ βμκ³΅μ¬ μ μ μ μλΉκΈΈ κ²½μ° μ¬μ
λΉκ° λμμ§κ³ μ‘°ν©μ κ° κ°λ±μ΄ λμ΄λ κ°λ₯μ±λ μλ€βκ³ μ£Όμ₯νλ€. μ΄νμ§/μ΄νΈκΈ°/κΉλ³κ·Ό κΈ°μ'],
['νλ₯΄λΌμ΄ν 첫 μμλΆν° λ±μ₯νλ μΊλ¦ν°λ?', 'λμ μ μλ μ λ³μμ μλ£μ
κ³μμ βνλ₯μ€νβλ‘ ν΅νλ€. μ§λ 4λ
κ° μ΄κ³³μ μ°Ύμ μΈκ΅μΈ νμλ 1λ§2000λͺ
μ΄ λλλ€. 2011λ
854λͺ
μ λΆκ³ΌνμΌλ μ§λν΄μλ 5431λͺ
μΌλ‘ κΈμ¦νλ€. μ΄ κΈ°κ° μΈκ΅μΈ νμ μ¦κ°μ¨μ 536%μ μ΄λ₯Έλ€.μ λ³μμ κ΅λ΄μΈ λ³μλ€μ βλ²€μΉλ§νΉβ λμμ΄λ€. μ§κΈκΉμ§ μ΄κ³³μ νλ°©νκ³ λμκ° κ΅λ΄ μ’
ν©λ³μλ§ 100κ³³μ μ΄λ₯Έλ€. μμΈλλ³μκ³Ό μΌμ±μμΈλ³μ λ± λ΄λ‘λΌνλ μ’
ν©λ³μλ€λ βμμ‘΄μ¬βμ λ΄λ €λκ³ μ λ³μμ μ₯μ μ λ°°μ°κΈ° μν΄ μ°Ύκ³ μλ€.μλ
ν ν΄μλ§ μΌλ³ΈΒ·μ€κ΅Β·λ¬μμΒ·λ² νΈλ¨Β·νκ΅Β·μΈλ λ± ν΄μΈ 20μ¬κ°κ΅ μλ£κΈ°κ΄λ€μ΄ λ³μ κ²½μμ λ°°μ°λ¬ μλ€. μ λ³μμ λμΉλ λ°©λ¬Έκ°λ€λ‘ μΈν΄ μ
무μ μ§μ₯μ λ°μ λ°©λ¬Έ κ°λ₯ν λ μ μ 1ν, λ§μ§λ§μ£Ό κΈμμΌλ‘ μ ννκΈ°λ νλ€.μ λ³μμ λμ μλ΄μ μ μ±μ ν©μ΄μ Έ μλ λ³μμ λͺ¨λ ν©μ³μΌ 900κ° μ λλ€. κ·λͺ¨λ‘ 보면 νλ²ν μ§λ°© μ’
ν©λ³μμ΄μ§λ§ κ°μ’
μ§νλ‘ λ³΄λ©΄ μ±μ₯μΈκ° κ°νλ₯΄λ€. μλ
λ§ κΈ°μ€μΌλ‘ ν루 μΈλ νμ μλ 3500λͺ
μ μ΄λ€. μΈκ΅μΈ νμ μ μΉλ₯Ό κ³κΈ°λ‘ 본격μ μΈ λ³μ μ μλν 4λ
μ κ³Ό λΉκ΅νλ©΄ 34.6% μ¦κ°ν κ²μ΄λ€.μμΈμ μλ μ’
ν©λ³μλ€μ λΉν΄ μ§λ¦¬μ μΌλ‘ λΆλ¦¬ν μ§λ°© λ³μμ΄ βνμ μ μμ΄μ½βμΌλ‘ λΆλ¦¬λ λΉκ²°μ 무μμΌκΉ. μ μΉν μλ£μμ₯μ βλ°°μΈ μ μλ λͺ¨λ κ²μ λ§€λ΄μΌνν κ²°κ³ΌβλΌκ³ μ€λͺ
νλ€. μ λ³μμ΄ κ°μ₯ μ¬νμ κΈ°μΈμ΄λ κ²μ μ΅κ³ κΈ μλΉμ€λ₯Ό λ²€μΉλ§νΉνλ μΌμ΄λ€. μ μμ₯μ β1λ
μ μ§κ΅¬ λ€ λ°ν΄ λ°μ λλ©΄μ μΈκ³ κ°κ΅μ νμ μ¬λ‘λ₯Ό λͺ¨μ μ¨λ€βκ³ νλ€. κ·Έλ λ§€λ
νλ μ°¨λ‘ μ§μ 15~20λͺ
μ ν΄μΈμ λ΄λ³΄λΈλ€. κ·Έμ μ£Όλ¬Έμ λ¨ νλ, βμ무κ²λ μκ°νμ§ λ§κ³ μ΅κ³ κΈ μλΉμ€λ₯Ό μ¦κ²¨λΌβ.νμ μ κ³³κ³³μμ μ΄λ€μ‘λ€. κ°νΈμ¬λ€μ νμμ μ 보λ₯Ό μΌμΌμ΄ μ첩μ μ κ³ μ΄λ₯Ό μ μ°μΌλ‘ κ΄λ¦¬ν΄ νΈνμ λ°κ³ μλ€. 4λ
μ μ μμ₯κ³Ό μ§μ 20μ¬λͺ
μ΄ λ°©λ¬Έν μ±κ°ν¬λ₯΄ 6μ±κΈ νΈν
μΈ μΉ΄ν λΌνΈν
μ μλΉμ€μμ κ°μ Έμ¨ μμ΄λμ΄λ€. μλ΄μ§μλ€μ βλ°λ± μλβλ νκ΅ λ°©μ½μ μ¬λ―Έν°λ²³ λ³μ κ°νΈμ¬λ€μ΄ μμμ μμ μλ νμ κ°μ‘± λ±κ³Ό λλμ΄λ₯Ό λ§μΆκΈ° μν΄ λ¬΄λ¦μ κΏλ κ²μμ λ°°μμλ€.μ±κ°ν¬λ₯΄ μ°½μ΄κ΅μ 곡ν, ν콩κ΅μ 곡ν λ±λ βλ°°μν°βμλ€. λ³μμ 리λͺ¨λΈλ§ν λ μ΄μ©κ° νΈμλ₯Ό κ·Ήλνν κ΅μ 곡νμ λμ μ μ μ©νλ€.μ λ³μμ μ§λλ¬ μ€νμμ€μ 5μ±κΈ νΈν
νμΌλ‘ μλ‘ κΎΈλͺλ€. μ€νμμ€ κ°νΈμ¬λ€μ μ¬λ¬΄κ³΅κ°μ βννκ³€νβμΌλ‘ μ μ€μμ λ°°μΉ, νμλ€μ μꡬμ¬νκ³Ό νλμ μ¦μ λμν μ μλλ‘ λ°κΏ¨λ€. λ³λ λΉμ© μμ΄ λ³΄νΈμκ° νμ κ³μμ λ¨Έλ¬Ό μ μλλ‘ κ°λ³ μΉ¨λμ μμ€λ λ§λ ¨νλ€. μ΄κ·μ κ²½μμ΄κ΄μμ₯μ βνΈν
μ μ₯μ μ μ λͺ©ν μ€νμμ€μ κ°μΆκΈ° μν΄ μ λΌνΈν
κ³Ό λ‘―λ°νΈν
λ± κ΅λ΄ νΉκΈνΈν
μ λ¬Όλ‘ μΌλ³Έ λ²³νΈ μΈμ΄μΉ΄μ΄νΈν
, ν콩 λμ νλ μ΄μ€ λ± μμμ μ£Όμ νΈν
μ κ±°μ λΉ μ§μμ΄ νμλ€βκ³ μ νλ€.'],
]
scores = model.predict(pairs)
print(scores.shape)
# (5,)
# Or rank different texts based on similarity to a single text
ranks = model.rank(
'μ μ§κ΅μ΄ μΈκ΅ κΈ°μ
μ λμ°νκΈ° μν μ λλ?',
[
'νμ€μ λΆμ΄λ¦¬ κ²Έ κΈ°νμ¬μ λΆ μ₯κ΄μ΄ μ€μκΈ°μ
보νΈλ₯Ό μν΄ κ³΅κ³΅μ‘°λ¬ μμ₯μμ βκ΅λ΄μΈ λκΈ°μ
μ λν λλ± κ·μ β μμΉμ λ°νμ λ°λΌ μ λΆκ° μΈλΆ κ·μ λ°©μ λ§λ ¨μ λ€μ΄κ°λ€. μ λΆλ νΉν μ΄ κ°μ κ·μ λ μΈκ΅ κΈ°μ
λ§μ λμμΌλ‘ ν κ·μ μ λ¬λ¦¬ μΈκ³λ¬΄μ기ꡬ(WTO) 43κ° κ°μ
κ΅μ΄ λ§Ίκ³ μλ μ λΆμ‘°λ¬νμ (GPA)μ μλ°°λμ§ μλλ€λ μ
μ₯μ λΆλͺ
ν νλ€. βΆλ³Έμ§ 11μ11μΌμ A1, 3λ©΄ μ°Έκ³ βμ λΆ, β곡곡μμ₯ μμ°¨λ³ μμ βκΈ°μ¬λΆ κ΄κ³μλ 11μΌ βλ΄λΆ κ²ν κ²°κ³Ό κ΅λ΄ λκΈ°μ
κ³Ό μΈκ΅ λκΈ°μ
μ λλ±νκ² κ·μ νλ κ²μ κ΅μ μ μΌλ‘ λ¬Έμ κ° μ λλ€βλ©° βμ μ§κ΅λ μΈμ μ§μ, μ§μ
μ₯λ²½ μ€μΉ, μ¬μ μ§μ λ±μ ν΅ν΄ μκ΅ μ€μκΈ°μ
μ 100% 보νΈνκ³ μλ€βκ³ λ§νλ€. μΈκ΅ κΈ°μ
μ μ°¨λ³ λμ°νλ©΄ λ¬Έμ κ° λμ§λ§ κ·Έλ μ§ μμΌλ©΄ κ΅μ λ²μ λ¬Έμ κ° μλ€λ κ²μ΄λ€.μ΄ κ΄κ³μλ μ΄μ΄ βμ€μκΈ°μ
보νΈλ₯Ό μν΄ κ΅λ΄ λκΈ°μ
μ λ°°μ νλλ° (κ΅λ΄ λκΈ°μ
λ³΄λ€ λ©μΉκ° ν°) μΈκ΅κ³ λκΈ°μ
μ΄ λ€μ΄μ€λ 건 λ¬Έμ κ° μλ€λ μ μ΄ κ΅μ κ°μ¬μμλ μ¬λ¬ λ² μ§μ λλ€βλ©° βμ΄λ° νμμ λ°©μΉν μ μλ€λ κ² μ λΆ λ°©μΉ¨βμ΄λΌκ³ κ°μ‘°νλ€. μΌλΆμμ βμΈκ΅κ³ λκΈ°μ
κ·μ κ° κ΅λ΄ μμ₯μ μ§ν€λ €λ€ ν΄μΈ μμ₯μ μλ μ‘°μΉ μλλβλ μ§μ μ΄ λμ€λ λ° λν΄μλ βν΄μΈ μμ₯ ν¬κΈ°κ° μλλΌ κ΅λ΄ κΈ°μ
μ΄ λ°λ μμ°¨λ³ ν΄μ μ°¨μβμ΄λΌκ³ μ κ·Ή λ°λ°νλ€. μ€μκΈ°μ
μ μν΄ λ¨κ²¨λ μ리λ₯Ό μΈκ΅κ³ κΈ°μ
μ΄ μΉκ³ λ€μ΄μ€λ©΄ κ΅λ΄ λκΈ°μ
μ΄ μμ°¨λ³μ λ°λ κ²μ λ¬Όλ‘ μ€μκΈ°μ
μ¬μ΄μμλ βμΈκ΅κ³ κΈ°μ
κ³Ό μ ν΄λ₯Ό νλλ λͺ»νλλβμ λ°λΌ κ³΅κ³΅μ‘°λ¬ μμ₯μμ μ°¨λ³μ λ°μ μ μλ€λ μ΄μ μμλ€. κΈ°μ¬λΆλ μ΄μ λ°λΌ μ‘°λ§κ° μ°μ
ν΅μμμλΆ μ€μκΈ°μ
μ² μ‘°λ¬μ² λ± κ΄κ³λΆμ²μ νμν΄ ν λΆμ΄λ¦¬κ° λ°ν κ·μ λ°©μμ λ€λ¬λ μμ
μ λμκΈ°λ‘ νλ€. κΈ°μ¬λΆ λ΄λΆμ μΌλ‘λ μ΄λ―Έ μ§λμ£Όμ κ²ν μμ
μ ν μ°¨λ‘ νλ€. ν΅μ 주무λΆμ²μΈ μ°μ
λΆλ μ΄λ―Έ λ΄λΆμ μΌλ‘λ μ΄ κ°μ κ΅λ΄μΈ λλ± κ·μ λ WTO νμ μ μλ°°λμ§ μλλ€λ νλ¨μ λ΄λ Έλ€. μ°μ
λΆμ κ΄κ³μλ βμ€μκΈ°μ
보νΈλ₯Ό μν μμΈ μ μ©μ μ λΆμ‘°λ¬νμ λΏ μλλΌ μμ 무μνμ (FTA)μλ λͺ
λ¬ΈνλΌ μλ€βκ³ λ§νλ€. βκ·μ λ°©μμ βμ μ€βμ λΆλ ꡬ체μ μΈ κ·μ λ°©μμ΄ λμ€λ €λ©΄ μκ°μ΄ νμνλ€λ λ°μμ 보μλ€. μ€μκΈ°μ
보νΈλ₯Ό μν΄ κ΅λ΄ λκΈ°μ
λΏ μλλΌ μΈκ΅κ³ λκΈ°μ
λ κ·μ ν΄μΌ νλ€λ λ°©ν₯μ±μ μ μμ§λ§ ꡬ체μ μΌλ‘ μ΄λ»κ² ν΄μΌ μ κ΅ν λ°©μμ μ§λΌ μ μμμ§λ μ μ€ν κ²ν ν΄μΌ νλ€λ κ²μ΄λ€.κΈ°μ¬λΆ κ΄κ³μλ βμ°λ¦¬κ° 보νΈνλ €λ μ€μκΈ°μ
μ λ²μλ₯Ό μ΄λ»κ² μ ν μ§, ν΅μ λ§μ°° λ
Όλμ μ΄λ»κ² λμν μ§, μμ° μ΄μ‘ 5μ‘°μ μ΄μ λκΈ°μ
μ§λ¨μ κ·μ νλ μνΈμΆμμ ν κΈ°μ
μ§λ¨ κ·μ λ₯Ό μΈκ΅κ³ κΈ°μ
μ νλ μ μ©νλ€λ©΄ μ΄λ»κ² ν μ§ λ± λ€μν μ΄μκ° κ±Έλ € μλ€βλ©° βμ€μκΈ°μ
μ² μ°μ
λΆ κ³΅μ κ±°λμμν μ‘°λ¬μ² λ± λ€λ₯Έ λΆμ²μ μΆ©λΆν νμν΄ κ²°μ ν μ¬μβμ΄λΌκ³ λ§νλ€. μ£Όμ©μ/μ‘°λ―Έν κΈ°μ',
'βλ§λ
Έμ€: μ΄λͺ
μ μβμ μλ μ κ³ ν₯μΈ ν
μ¬μ€μ£Ό μ νμμ μλ μΉ΄ν리 κ·Ήμ₯μμ 1966λ
11μ 15μΌ μμ¬νλ₯Ό κ°μ‘λ€. μλ μ μμ¬νμ μ°λ €κ³ μμΉλΌμ΄νΈλ₯Ό ꡬνμΌλ©° ν리μ°λ λΆμκΈ°λ₯Ό λ΄κΈ° μν΄ μΊμ€νΈκ° ν 리무μ§μ λμ¬νλ€. νμ§λ§ λ¦¬λ¬΄μ§ ν λ λ°μ λμ¬κ° μ λμμΌλ―λ‘, μΊμ€νΈλ₯Ό λ°μΌλ‘ λλμ΄ ν κ·Έλ£Ήμ μμ¬νλ‘ νμ°κ³ , λ€μ 리무μ§μ λλ € κΈ°λ€λ¦¬κ³ μλ λλ¨Έμ§ κ·Έλ£Ήμ κ·Όμ² λͺ¨νμ΄μμ νμ°κ³ μμ¬νλ‘ λ°λ €μμΌνλ€. μμ¬νμλ μμ₯, μ§μ 보μκ΄ λ± μ§μμ μ£Όμ μΈμ¬λ€μ΄ λ€μ μ΄λλμλ€. μνκ° μμν μ§ μΌλ§ μ§λμ§ μμ, μμ¬νμ₯μ μμμΌλ‘ κ°λμ°Όλ€. μλ κ³Ό λλ¨Έμ§ μΆμ°μ§μ λ―Όλ§ν΄μ§ μ±λ‘ μ¬λΉ¨λ¦¬ μΆκ΅¬λ₯Ό ν΅ν΄ λΉ μ Έλκ°λ€. μμ¬ν ν, μλ μ μμ μ΄ λ³΄κΈ°μλ βλ§λ
Έμ€βκ° μ΅μ
μ μνλΌκ³ μκ°νμ§λ§ κ·Έλλ μλμ€λ½λ€κ³ λ°νλ€. λν, μλ§ λ€λ¬μΌλ©΄ μ¬λ°λ μ½λ―Έλ μνλ‘ λ§λ€ μ μμ κ² κ°λ€λ μκΈ°λ μΈν°λ·°μμ νμλ€\n\nμ΄ μνλ μλ¨Έμ¨ μ¬κ° λ°°ν¬λ₯Ό λ§‘μλ€. λν μΉ΄ν리 κ·Ήμ₯μμ μ μ λμ μμλμμΌλ©°, ν
μ¬μ€ μλΆμ λλΌμ΄λΈμΈ κ·Ήμ₯μμλ μμμ΄ λμλ€. μ΄λ€ λ³΄κ³ μ λ°λ₯΄λ©΄ μμ
μ λκ°λ₯Ό λ°μ μ€νμ μν€ λλ¨Ό μ‘΄μ€μ κ·Έλ
μ κ°μμ§ λΏμ΄μμΌλ©°, κ·Έ λκ°λ μμ κ±°μ λ€λμ κ°μμ§ μμμ΄μλ€κ³ νλλ°, μ΄λ μνκ° μ¬μ μ μΌλ‘ μΌλ§λ ν¬κ² μ€ν¨νλμ§λ₯Ό 보μ¬μ€λ€ 곡μ λ°μ€μ€νΌμ€ μ§κ³λ μλ €μ Έμμ§ μλ€. μνμ λν λ°μμ μ’μ§ μμμΌλ, μλ μ μμ μ΄ νΌμ μνλ₯Ό λ§λ€ μ μμμ μ¦λͺ
νμ¬, μ€νΈλ§ μ€λ¦¬ννΈμμ λ΄κΈ°μμ μΉλ¦¬νμλ€',
'λΆμ°λ μ² νκ³Όμ λ€λλ νμ€μ± μ¨(24)λ μ§λν΄ κ°μ νμ μ λΆμΌλ‘ μ 3ν νκ²½ μ²λ
μ μΆλ¬Έμμ λ¬Έμ λλλ Έλ€. νμ¨λ μ² νκ³Ό μ±
μ μ’μνλ νλ²ν νμμ΄μλ€. μ μΆλ¬Έμ μ₯νΈμμ€ λΆλ¬Έμ λΉμ λλ©° κ·Έμ μΆμ λ³νλ€. μκΈμ μ¬λΉ μΌμ μ κ΅μ μ¬ννλ©° μ΄μΌκΈ°λ₯Ό μμ§νλ€. κ°μ νΈλ¨ μλ¨ λ± μμ¬μ λΉκ·Ήμ μ§λ κ³³μ μ°Ύμλ€λλ©° μ΄μΌκΈ°λ₯Ό λ€μλ€. λΉμ μ κΉμ§λ§ ν΄λ λ§νκΈ°λ₯Ό μ’μνλ μ μ μ²λ
μ μ΄λμ νμΈμ λ§μ κ· κΈ°μΈμ¬ λ£λ μ μ μκ°λ‘ λ³μ νλ€. νμ¨λ μ¬ν΄ λ¬Ένλλ€ μκ°μ λ³Έμ¬μ μ΄λ¦μ μ¬λ¦¬λ λ± μ μΆλ¬Έμ λΉμ μ΄ μ°μ°μ΄ μλμμμ μ¦λͺ
ν΄ λκ°κ³ μλ€. κ·Έμ μ²λ
μ μΆλ¬Έμ λΉμ μ μ΄λ±μ κ³λ³΄(μνλ무)λ ν΄κ³ λ₯Ό κ±°λν΄ μ΄λ¬ μ μ μΆκ°λλ€.μ’μ μνμ κ·Έκ²μ μ½λ μ¬λμ μΈμμ λ¬Όλ‘ λ§λ μ¬λμ μΈμλ λ°κΎΌλ€. κ°μ₯ μ’μ μ¬λ‘κ° μ μΆλ¬Έμλ€. λ¬Έν μ§λ§μμΌλ‘μ λμλ μ΅μμ λλ μ 보λ΄λ μ΄λ€μ μ μΆλ¬ΈμλΌλ κ΄λ¬Έμ κ±°μ³ μκ°λ‘ λ³μ νλ€.μ 2ν μ₯νΈμμ€ λΉμ μμΈ κΉμκ²½ μ¨(36)μ λΉμ μ μ²μΆνμ°(λ―Όμμ¬)μ μ μ μΈλκ° κ²ͺλ μ΄λ €μμ μμ§νκ² ννν΄ νΈνλ°μ μνμ΄λ€. μ΄ μμ€μλ κΉμ¨κ° κ²ͺμ μΌλ€μ΄ μλΉ λΆλΆ λ
Ήμ μλ€. κΉμ¨λ μ§μμ΄ μ΄λ €μμ§λ λ°λμ μ΄λ¦° μμ ν΄ λ³΄μ§ μμ μλ₯΄λ°μ΄νΈκ° μμ μ λμλ€.κΉμ¨λ μ§λ 2μ νκ΅λ¬Ένμμ μμνμ μμΈ νλ¦°μ€νΈν
μ΄ νμνλ μ°½μμ§νμ€ μ
μ£Όμκ° νλ‘κ·Έλ¨μ μ μ λΌ ν λ¬ λμ νΈν
μμ μ§νμ μ λ
νλ€. νΈν
μμ νμ μ‘μ λνμ μμ νΈν
μ£Όλ°©μμ μ€κ±°μ§νλ κΈ°μ΅μ΄ λ μ¬λλ€. βνΈν
μμ κΈμ μ°λ μλ μκ°μ΄ λμ κΈ°λΆμ΄ λ¬νμ΄μ. νΈν
μμ μΌν λλ μ λ¬ΈμΌλ‘ λ€μ΄κ° μλ μλ μ μΈμλλ° λ§μ΄μ£ .β μ μ μκ°κ° λ λ€ λ ν° μ±
μκ°μ λλΌκ³ μλ€λ κ·Έλ μ΄λ¬ λ λ²μ§Έ μνμ νκ³ ν κ³νμ΄λ€.μ 3ν μ λΆλ¬Έ λΉμ μ κΉλ―Όμ¨ μ¨(37)λ λ±λ¨ μ΄μ κ³Ό λ³λ€λ₯Ό κ² μμ΄ λ³΄μ΄λ μΌμμ 보λ΄κ³ μλ€. νμ§λ§ κ·Έμκ²λ λΆλͺ
ν λ³νκ° μκ²Όλ€. βλ±λ¨ μ μλ μ’ νΈμνκ² μλ₯Ό μΌλλ° λ±λ¨ν λ€λ‘λ μ±
μκ° μκ² μλ₯Ό μ°λ €κ³ νλ€βκ³ κΉμ¨λ λ§νλ€. βκ·Έλμ λ μλ―Όν μνλ₯Ό μ μ§νλ €κ³ λ
Έλ ₯ν©λλ€. μλ₯Ό μΌλ€λ λ° λ§μ‘±νμ§ μκ³ μ΄ μλ₯Ό ν΅ν΄ 무μμ ν μ μμκΉ κ³ λ―Όνκ³ μμ΄μ.βμ 2ν μ λΆλ¬Έ λΉμ μ μ΄μμ° μ¨(32)λ βμνμ μ΄ μ¬λμ μ½λ μ¬λλ³΄λ€ μ£Όμ μ λν΄ λ κΉμ΄ μκ°ν μλ°μ μλ€βλ©° βμνμ μ°λ©΄μ λ΄ μμ μ΄ λ°λμ΄κ°λ κ²μ λλλ€βκ³ λ§νλ€.μ μΈ μκ°λ₯Ό λ°κ΅΄Β·μ‘μ±νκ³ λ¬Ένμ½ν
μΈ λ₯Ό λ°κ΅΄νκΈ° μν νκ²½ μ²λ
μ μΆλ¬Έμκ° 4νλ₯Ό λ§μλ€. μ 3νλΆν° λ§ 39μΈ μ΄νκΉμ§ μ°Έμ¬ν μ μλλ‘ νμ λνλ€. 20λ λνμλΆν° μκ°μ κΏμ λμ§ μμ 30λ μ§λ§μμκ²κΉμ§ λ¬Έμ΄ μ΄λ € μλ€.μ¬ν΄λ μ, μ₯νΈμμ€, μλλ¦¬μ€ λ± μΈ κ° λΆλ¬Έμμ μλ‘μ΄ μκ°λ₯Ό μ°Ύμ λμ λ€. μ₯νΈμμ€ λΆλ¬Έμ 3000λ§μμ μκΈμ μ€λ€. μκ³ λμ 200μ μκ³ μ§ κΈ°μ€ 1000μ₯ μνμ΄λ©° 10μ₯ λΆλμ μ€κ±°λ¦¬ μ€λͺ
μ λ°λ‘ μ μΆν΄μΌ νλ€. μλ 5νΈ μ΄μ μ μΆν΄μΌ νλ©°, μλλ¦¬μ€ μκ³ λ 400μ₯ μν(μλμμ€ 10μ₯ λ³λ)μ΄λ€. μμ μλλ¦¬μ€ μκΈμ 500λ§μμ©μ΄λ€.μκ³ λ A4 μ©μ§μ μΆλ ₯ν΄μ 보λ΄μΌ νλ€. μλͺ¨μμ κ³Όκ±°μ λ°ννκ±°λ μ
μν μ μ΄ μλ μμ μ°½μλ¬Όμ΄μ΄μΌ νλ€. λ€λ₯Έ 곡λͺ¨μ μ μ€λ³΅ ν¬κ³ ν΄ μ΄λ―Έ μ
μν μνμ΄κ±°λ νμ ν μ¬μ€μ΄ λ°νμ§λ©΄ λΉμ μ μ·¨μνλ€. λ΄ν¬μ βνκ²½ μ²λ
μ μΆλ¬Έμ μλͺ¨μνβμ΄λΌ μ κ³ μν 첫 μ₯κ³Ό λ§μ§λ§ μ₯μ μλͺ¨ λΆλ¬Έ, μ΄λ¦(νλͺ
μΌ κ²½μ° λ³Έλͺ
λ³κΈ°), μ£Όμ, μ νλ²νΈ, μκ³ λ(200μ μκ³ μ§ κΈ°μ€), μ£Όλ―Όλ±λ‘μ μλ
μμΌμ λͺ
μν΄μΌ μ μ μλͺ¨μμΌλ‘ μ μνλ€. λͺ¨λ μκ³ λ λ°ννμ§ μλλ€.',
'μ λΆκ° λ°νν β9Β·1 λΆλμ° λμ±
β κ°μ΄λ° κ΅νλ₯Ό κ±°μ³μΌ ν μ
λ² μ¬νμ λκ³ κ°λ±μ΄ λΆκ±°μ§κ³ μλ€. 9Β·1 λμ±
λλΆλΆμ μ λΆ μ°¨μμμ μνλ Ήμ΄λ κ·μΉμ κ³ μΉλ©΄ μνν μ μλ λ΄μ©μ΄μ§λ§, μ¬μΌ ν©μλ₯Ό ν΅ν΄ κ΅ν ν΅κ³Όκ° νμν νμ§κ°λ°μ΄μ§λ²(νμ΄λ²) νμ§, μ²μ½μ λ κ°νΈ λ±μ λκ³ μΌλΉμ΄ λ°λ°νκ³ λμ°λ€. μμΈμλ μ¬κ±΄μΆΒ·μ¬κ°λ° λ± μ λΉμ¬μ
λ°©μ κ°νΈμ λ°λν΄ μΆμ§μ μ΄λ €μμ κ²ͺμ κ²μ΄λΌλ μ λ§μ΄ λμ¨λ€.μ§λ 1μΌ μ λΆκ° λ°νν κ·μ μνμ 42κ° κ°μ΄λ° λ² κ°μ μ΄ νμν μ
λ² μ¬νμ λͺ¨λ 11κ°λ€. μμ μΉλ―Όμ£Όμ°ν©μ μ΄ κ°μ΄λ° β³νμ΄λ² νμ§ β³κ³΅κ³΅κ΄λ¦¬μ κ°μ (λμ λ° μ£Όκ±°νκ²½μ λΉλ²) β³μ²μ½μ λ κ°νΈ(μ£Όνλ²) λ±μ λ°λνκ³ μλ€. βμλ―Όμ£Όκ±°μμ λ°©μμ΄ μλλΌ μμΈ κ°λ¨κΆ μ€μ¬μ λΆλμ° κ²½κΈ° λΆμ μ μ±
βμ΄λΌλ μ£Όμ₯μ΄λ€.μ°μ νμ΄λ²μ νμ§νλ©΄ λ μ΄μ μ λμκΈμ λκ·λͺ¨ μ£Όν 곡κΈμ ν μ μμ΄ μ§κ° μμΉ μ°λ €κ° μλ€λ κ² μΌλΉ μΈ‘ μ§μ μ΄λ€. λ°±μ¬ν μμ μΉμ°ν© μ μ±
μ μμλΆμμ₯μ βμλμ μΌλ‘ μ§κ°μ΄ μΌ νμ§μ§κ΅¬κ° μ¬λΌμ§λ©΄ 무주ν μλ―Όμ΄ μ§μ μ₯λ§νκΈ°λ λ μ΄λ €μμ§ κ²βμ΄λΌκ³ λ§νλ€. κ΅ν κ΅ν΅λΆ κ΄κ³μλ μ΄μ λν΄ βμ£Όν 보κΈλ₯ μ΄ 100%λ₯Ό λμ λ°λ€ μ΅κ·Ό μ£Όν 곡κΈκ³ΌμμΌλ‘ μ΄λ―Έ μ§μ λ λν νμ§μ§κ΅¬ μλΉμλ₯Ό ν΄μ νκ³ μλ μ€μ βμ΄λΌλ©° βμ λμκΈ λμ μ€μν κ·λͺ¨μ λμκ°λ°μ κ³μ μΆμ§ν κ²βμ΄λΌκ³ μ€λͺ
νλ€.μ²μ½ κ°μ μ λ₯Ό μ§λ°©μμΉλ¨μ²΄μ₯μ΄ μμ¨ μ΄μνλλ‘ ν κ²λ 무주νμ ννμ μ€μ΄λ λ°©μμ΄λΌλ μ£Όμ₯μ΄ λμ¨λ€. νμ¬ μ²μ½μ λλ 무주ν κΈ°κ°μ΄ μ€λλκ³ λΆμκ°μ‘±μ΄ λ§μ μΈλμ£Όμκ² κ°μ μ μ£Όκ³ μλ€. μ΄λ₯Ό μ§μ체μ₯ μμ¨μ λ§‘κΈΈ κ²½μ° λ¬΄μ£Όν ννμ΄ μ¬λΌμ§ κ°λ₯μ±μ΄ λλ€λ μ§μ μ΄λ€. κ΅ν λΆ κ΄κ³μλ βμ²μ½ κ³Όμ΄μ΄ μ°λ €λλ ν¬κΈ°κ³Όμ΄μ§κ΅¬μ 곡곡주νμ§κ΅¬μ λν΄μλ κ°μ μ λ₯Ό μ무 μ μ©ν΄ 무주ν μλ―Όμκ² μ°μ 곡κΈν κ³νβμ΄λΌκ³ ν΄λͺ
νλ€.곡곡κ΄λ¦¬μ λ₯Ό κ°μ νλ λμ λ²μ μμΈμκ° λ°λνκ³ μλ€. κ°μ μμ ν μ§ λ± μμ μ κ³Όλ°μκ° μν κ²½μ° μ¬μ
μνμΈκ° μ΄μ μ μ곡μ¬λ₯Ό μ μ ν μ μλλ‘ νλ€. μμΈμ μ‘°λ‘λ³΄λ€ μμλ²μΈ λμ λ²μ΄ κ°μ λλ©΄ μ§μ체λ μ΄λ₯Ό λ°λΌμΌ νλ€. μμΈμ κ΄κ³μλ βμκ³΅μ¬ μ μ μ μλΉκΈΈ κ²½μ° μ¬μ
λΉκ° λμμ§κ³ μ‘°ν©μ κ° κ°λ±μ΄ λμ΄λ κ°λ₯μ±λ μλ€βκ³ μ£Όμ₯νλ€. μ΄νμ§/μ΄νΈκΈ°/κΉλ³κ·Ό κΈ°μ',
'λμ μ μλ μ λ³μμ μλ£μ
κ³μμ βνλ₯μ€νβλ‘ ν΅νλ€. μ§λ 4λ
κ° μ΄κ³³μ μ°Ύμ μΈκ΅μΈ νμλ 1λ§2000λͺ
μ΄ λλλ€. 2011λ
854λͺ
μ λΆκ³ΌνμΌλ μ§λν΄μλ 5431λͺ
μΌλ‘ κΈμ¦νλ€. μ΄ κΈ°κ° μΈκ΅μΈ νμ μ¦κ°μ¨μ 536%μ μ΄λ₯Έλ€.μ λ³μμ κ΅λ΄μΈ λ³μλ€μ βλ²€μΉλ§νΉβ λμμ΄λ€. μ§κΈκΉμ§ μ΄κ³³μ νλ°©νκ³ λμκ° κ΅λ΄ μ’
ν©λ³μλ§ 100κ³³μ μ΄λ₯Έλ€. μμΈλλ³μκ³Ό μΌμ±μμΈλ³μ λ± λ΄λ‘λΌνλ μ’
ν©λ³μλ€λ βμμ‘΄μ¬βμ λ΄λ €λκ³ μ λ³μμ μ₯μ μ λ°°μ°κΈ° μν΄ μ°Ύκ³ μλ€.μλ
ν ν΄μλ§ μΌλ³ΈΒ·μ€κ΅Β·λ¬μμΒ·λ² νΈλ¨Β·νκ΅Β·μΈλ λ± ν΄μΈ 20μ¬κ°κ΅ μλ£κΈ°κ΄λ€μ΄ λ³μ κ²½μμ λ°°μ°λ¬ μλ€. μ λ³μμ λμΉλ λ°©λ¬Έκ°λ€λ‘ μΈν΄ μ
무μ μ§μ₯μ λ°μ λ°©λ¬Έ κ°λ₯ν λ μ μ 1ν, λ§μ§λ§μ£Ό κΈμμΌλ‘ μ ννκΈ°λ νλ€.μ λ³μμ λμ μλ΄μ μ μ±μ ν©μ΄μ Έ μλ λ³μμ λͺ¨λ ν©μ³μΌ 900κ° μ λλ€. κ·λͺ¨λ‘ 보면 νλ²ν μ§λ°© μ’
ν©λ³μμ΄μ§λ§ κ°μ’
μ§νλ‘ λ³΄λ©΄ μ±μ₯μΈκ° κ°νλ₯΄λ€. μλ
λ§ κΈ°μ€μΌλ‘ ν루 μΈλ νμ μλ 3500λͺ
μ μ΄λ€. μΈκ΅μΈ νμ μ μΉλ₯Ό κ³κΈ°λ‘ 본격μ μΈ λ³μ μ μλν 4λ
μ κ³Ό λΉκ΅νλ©΄ 34.6% μ¦κ°ν κ²μ΄λ€.μμΈμ μλ μ’
ν©λ³μλ€μ λΉν΄ μ§λ¦¬μ μΌλ‘ λΆλ¦¬ν μ§λ°© λ³μμ΄ βνμ μ μμ΄μ½βμΌλ‘ λΆλ¦¬λ λΉκ²°μ 무μμΌκΉ. μ μΉν μλ£μμ₯μ βλ°°μΈ μ μλ λͺ¨λ κ²μ λ§€λ΄μΌνν κ²°κ³ΌβλΌκ³ μ€λͺ
νλ€. μ λ³μμ΄ κ°μ₯ μ¬νμ κΈ°μΈμ΄λ κ²μ μ΅κ³ κΈ μλΉμ€λ₯Ό λ²€μΉλ§νΉνλ μΌμ΄λ€. μ μμ₯μ β1λ
μ μ§κ΅¬ λ€ λ°ν΄ λ°μ λλ©΄μ μΈκ³ κ°κ΅μ νμ μ¬λ‘λ₯Ό λͺ¨μ μ¨λ€βκ³ νλ€. κ·Έλ λ§€λ
νλ μ°¨λ‘ μ§μ 15~20λͺ
μ ν΄μΈμ λ΄λ³΄λΈλ€. κ·Έμ μ£Όλ¬Έμ λ¨ νλ, βμ무κ²λ μκ°νμ§ λ§κ³ μ΅κ³ κΈ μλΉμ€λ₯Ό μ¦κ²¨λΌβ.νμ μ κ³³κ³³μμ μ΄λ€μ‘λ€. κ°νΈμ¬λ€μ νμμ μ 보λ₯Ό μΌμΌμ΄ μ첩μ μ κ³ μ΄λ₯Ό μ μ°μΌλ‘ κ΄λ¦¬ν΄ νΈνμ λ°κ³ μλ€. 4λ
μ μ μμ₯κ³Ό μ§μ 20μ¬λͺ
μ΄ λ°©λ¬Έν μ±κ°ν¬λ₯΄ 6μ±κΈ νΈν
μΈ μΉ΄ν λΌνΈν
μ μλΉμ€μμ κ°μ Έμ¨ μμ΄λμ΄λ€. μλ΄μ§μλ€μ βλ°λ± μλβλ νκ΅ λ°©μ½μ μ¬λ―Έν°λ²³ λ³μ κ°νΈμ¬λ€μ΄ μμμ μμ μλ νμ κ°μ‘± λ±κ³Ό λλμ΄λ₯Ό λ§μΆκΈ° μν΄ λ¬΄λ¦μ κΏλ κ²μμ λ°°μμλ€.μ±κ°ν¬λ₯΄ μ°½μ΄κ΅μ 곡ν, ν콩κ΅μ 곡ν λ±λ βλ°°μν°βμλ€. λ³μμ 리λͺ¨λΈλ§ν λ μ΄μ©κ° νΈμλ₯Ό κ·Ήλνν κ΅μ 곡νμ λμ μ μ μ©νλ€.μ λ³μμ μ§λλ¬ μ€νμμ€μ 5μ±κΈ νΈν
νμΌλ‘ μλ‘ κΎΈλͺλ€. μ€νμμ€ κ°νΈμ¬λ€μ μ¬λ¬΄κ³΅κ°μ βννκ³€νβμΌλ‘ μ μ€μμ λ°°μΉ, νμλ€μ μꡬμ¬νκ³Ό νλμ μ¦μ λμν μ μλλ‘ λ°κΏ¨λ€. λ³λ λΉμ© μμ΄ λ³΄νΈμκ° νμ κ³μμ λ¨Έλ¬Ό μ μλλ‘ κ°λ³ μΉ¨λμ μμ€λ λ§λ ¨νλ€. μ΄κ·μ κ²½μμ΄κ΄μμ₯μ βνΈν
μ μ₯μ μ μ λͺ©ν μ€νμμ€μ κ°μΆκΈ° μν΄ μ λΌνΈν
κ³Ό λ‘―λ°νΈν
λ± κ΅λ΄ νΉκΈνΈν
μ λ¬Όλ‘ μΌλ³Έ λ²³νΈ μΈμ΄μΉ΄μ΄νΈν
, ν콩 λμ νλ μ΄μ€ λ± μμμ μ£Όμ νΈν
μ κ±°μ λΉ μ§μμ΄ νμλ€βκ³ μ νλ€.',
]
)
# [{'corpus_id': ..., 'score': ...}, {'corpus_id': ..., 'score': ...}, ...]
Training Details
Training Dataset
Unnamed Dataset
- Size: 35,108 training samples
- Columns:
sentence_0
,sentence_1
, andlabel
- Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label type string string int details - min: 11 characters
- mean: 29.18 characters
- max: 66 characters
- min: 504 characters
- mean: 996.04 characters
- max: 2044 characters
- 0: ~51.40%
- 1: ~48.60%
- Samples:
sentence_0 sentence_1 label μ μ§κ΅μ΄ μΈκ΅ κΈ°μ μ λμ°νκΈ° μν μ λλ?
νμ€μ λΆμ΄λ¦¬ κ²Έ κΈ°νμ¬μ λΆ μ₯κ΄μ΄ μ€μκΈ°μ 보νΈλ₯Ό μν΄ κ³΅κ³΅μ‘°λ¬ μμ₯μμ βκ΅λ΄μΈ λκΈ°μ μ λν λλ± κ·μ β μμΉμ λ°νμ λ°λΌ μ λΆκ° μΈλΆ κ·μ λ°©μ λ§λ ¨μ λ€μ΄κ°λ€. μ λΆλ νΉν μ΄ κ°μ κ·μ λ μΈκ΅ κΈ°μ λ§μ λμμΌλ‘ ν κ·μ μ λ¬λ¦¬ μΈκ³λ¬΄μ기ꡬ(WTO) 43κ° κ°μ κ΅μ΄ λ§Ίκ³ μλ μ λΆμ‘°λ¬νμ (GPA)μ μλ°°λμ§ μλλ€λ μ μ₯μ λΆλͺ ν νλ€. βΆλ³Έμ§ 11μ11μΌμ A1, 3λ©΄ μ°Έκ³ βμ λΆ, β곡곡μμ₯ μμ°¨λ³ μμ βκΈ°μ¬λΆ κ΄κ³μλ 11μΌ βλ΄λΆ κ²ν κ²°κ³Ό κ΅λ΄ λκΈ°μ κ³Ό μΈκ΅ λκΈ°μ μ λλ±νκ² κ·μ νλ κ²μ κ΅μ μ μΌλ‘ λ¬Έμ κ° μ λλ€βλ©° βμ μ§κ΅λ μΈμ μ§μ, μ§μ μ₯λ²½ μ€μΉ, μ¬μ μ§μ λ±μ ν΅ν΄ μκ΅ μ€μκΈ°μ μ 100% 보νΈνκ³ μλ€βκ³ λ§νλ€. μΈκ΅ κΈ°μ μ μ°¨λ³ λμ°νλ©΄ λ¬Έμ κ° λμ§λ§ κ·Έλ μ§ μμΌλ©΄ κ΅μ λ²μ λ¬Έμ κ° μλ€λ κ²μ΄λ€.μ΄ κ΄κ³μλ μ΄μ΄ βμ€μκΈ°μ 보νΈλ₯Ό μν΄ κ΅λ΄ λκΈ°μ μ λ°°μ νλλ° (κ΅λ΄ λκΈ°μ λ³΄λ€ λ©μΉκ° ν°) μΈκ΅κ³ λκΈ°μ μ΄ λ€μ΄μ€λ 건 λ¬Έμ κ° μλ€λ μ μ΄ κ΅μ κ°μ¬μμλ μ¬λ¬ λ² μ§μ λλ€βλ©° βμ΄λ° νμμ λ°©μΉν μ μλ€λ κ² μ λΆ λ°©μΉ¨βμ΄λΌκ³ κ°μ‘°νλ€. μΌλΆμμ βμΈκ΅κ³ λκΈ°μ κ·μ κ° κ΅λ΄ μμ₯μ μ§ν€λ €λ€ ν΄μΈ μμ₯μ μλ μ‘°μΉ μλλβλ μ§μ μ΄ λμ€λ λ° λν΄μλ βν΄μΈ μμ₯ ν¬κΈ°κ° μλλΌ κ΅λ΄ κΈ°μ μ΄ λ°λ μμ°¨λ³ ν΄μ μ°¨μβμ΄λΌκ³ μ κ·Ή λ°λ°νλ€. μ€μκΈ°μ μ μν΄ λ¨κ²¨λ μ리λ₯Ό μΈκ΅κ³ κΈ°μ μ΄ μΉκ³ λ€μ΄μ€λ©΄ κ΅λ΄ λκΈ°μ μ΄ μμ°¨λ³μ λ°λ κ²μ λ¬Όλ‘ μ€μκΈ°μ μ¬μ΄μμλ βμΈκ΅κ³ κΈ°μ κ³Ό μ ν΄λ₯Ό νλλ λͺ»νλλβμ λ°λΌ κ³΅κ³΅μ‘°λ¬ μμ₯μμ μ°¨λ³μ λ°μ μ μλ€λ μ΄μ μμλ€. κΈ°μ¬λΆλ μ΄μ λ°λΌ μ‘°λ§κ° μ°μ ν΅μμμλΆ μ€μκΈ°μ μ² μ‘°λ¬μ² λ± κ΄κ³λΆμ²μ νμν΄ ν λΆμ΄λ¦¬κ° λ°ν κ·μ λ°©μμ λ€λ¬λ μμ μ λμκΈ°λ‘ νλ€. κΈ°μ¬λΆ λ΄λΆμ μΌλ‘λ μ΄λ―Έ μ§λμ£Όμ κ²ν μμ μ ν μ°¨λ‘ νλ€. ν΅μ 주무λΆμ²μΈ μ°μ λΆλ μ΄λ―Έ λ΄λΆμ μΌλ‘λ μ΄ κ°μ κ΅λ΄μΈ λλ± κ·μ λ WTO νμ μ μλ°°λμ§ μλλ€λ νλ¨μ λ΄λ Έλ€. μ°μ λΆμ κ΄κ³μλ βμ€μκΈ°μ 보νΈλ₯Ό μν μμΈ μ μ©μ μ ...
1
μλ μ΄ μ€μ€λ‘ μνλ₯Ό μ μν μ μμμ μ μ¦νμ¬ μΉλΆμμ μ΄κΈ΄ μλλ λꡬμΈκ°?
βλ§λ Έμ€: μ΄λͺ μ μβμ μλ μ κ³ ν₯μΈ ν μ¬μ€μ£Ό μ νμμ μλ μΉ΄ν리 κ·Ήμ₯μμ 1966λ 11μ 15μΌ μμ¬νλ₯Ό κ°μ‘λ€. μλ μ μμ¬νμ μ°λ €κ³ μμΉλΌμ΄νΈλ₯Ό ꡬνμΌλ©° ν리μ°λ λΆμκΈ°λ₯Ό λ΄κΈ° μν΄ μΊμ€νΈκ° ν 리무μ§μ λμ¬νλ€. νμ§λ§ λ¦¬λ¬΄μ§ ν λ λ°μ λμ¬κ° μ λμμΌλ―λ‘, μΊμ€νΈλ₯Ό λ°μΌλ‘ λλμ΄ ν κ·Έλ£Ήμ μμ¬νλ‘ νμ°κ³ , λ€μ 리무μ§μ λλ € κΈ°λ€λ¦¬κ³ μλ λλ¨Έμ§ κ·Έλ£Ήμ κ·Όμ² λͺ¨νμ΄μμ νμ°κ³ μμ¬νλ‘ λ°λ €μμΌνλ€. μμ¬νμλ μμ₯, μ§μ 보μκ΄ λ± μ§μμ μ£Όμ μΈμ¬λ€μ΄ λ€μ μ΄λλμλ€. μνκ° μμν μ§ μΌλ§ μ§λμ§ μμ, μμ¬νμ₯μ μμμΌλ‘ κ°λμ°Όλ€. μλ κ³Ό λλ¨Έμ§ μΆμ°μ§μ λ―Όλ§ν΄μ§ μ±λ‘ μ¬λΉ¨λ¦¬ μΆκ΅¬λ₯Ό ν΅ν΄ λΉ μ Έλκ°λ€. μμ¬ν ν, μλ μ μμ μ΄ λ³΄κΈ°μλ βλ§λ Έμ€βκ° μ΅μ μ μνλΌκ³ μκ°νμ§λ§ κ·Έλλ μλμ€λ½λ€κ³ λ°νλ€. λν, μλ§ λ€λ¬μΌλ©΄ μ¬λ°λ μ½λ―Έλ μνλ‘ λ§λ€ μ μμ κ² κ°λ€λ μκΈ°λ μΈν°λ·°μμ νμλ€
μ΄ μνλ μλ¨Έμ¨ μ¬κ° λ°°ν¬λ₯Ό λ§‘μλ€. λν μΉ΄ν리 κ·Ήμ₯μμ μ μ λμ μμλμμΌλ©°, ν μ¬μ€ μλΆμ λλΌμ΄λΈμΈ κ·Ήμ₯μμλ μμμ΄ λμλ€. μ΄λ€ λ³΄κ³ μ λ°λ₯΄λ©΄ μμ μ λκ°λ₯Ό λ°μ μ€νμ μν€ λλ¨Ό μ‘΄μ€μ κ·Έλ μ κ°μμ§ λΏμ΄μμΌλ©°, κ·Έ λκ°λ μμ κ±°μ λ€λμ κ°μμ§ μμμ΄μλ€κ³ νλλ°, μ΄λ μνκ° μ¬μ μ μΌλ‘ μΌλ§λ ν¬κ² μ€ν¨νλμ§λ₯Ό 보μ¬μ€λ€ 곡μ λ°μ€μ€νΌμ€ μ§κ³λ μλ €μ Έμμ§ μλ€. μνμ λν λ°μμ μ’μ§ μμμΌλ, μλ μ μμ μ΄ νΌμ μνλ₯Ό λ§λ€ μ μμμ μ¦λͺ νμ¬, μ€νΈλ§ μ€λ¦¬ννΈμμ λ΄κΈ°μμ μΉλ¦¬νμλ€1
μ₯νΈμμ€ λΆμΌμ μ§μν λ, μν μΈμ λ³λλ‘ μ¨μΌ νλ κΈμ λͺ μ₯μΈκ°?
λΆμ°λ μ² νκ³Όμ λ€λλ νμ€μ± μ¨(24)λ μ§λν΄ κ°μ νμ μ λΆμΌλ‘ μ 3ν νκ²½ μ²λ μ μΆλ¬Έμμ λ¬Έμ λλλ Έλ€. νμ¨λ μ² νκ³Ό μ± μ μ’μνλ νλ²ν νμμ΄μλ€. μ μΆλ¬Έμ μ₯νΈμμ€ λΆλ¬Έμ λΉμ λλ©° κ·Έμ μΆμ λ³νλ€. μκΈμ μ¬λΉ μΌμ μ κ΅μ μ¬ννλ©° μ΄μΌκΈ°λ₯Ό μμ§νλ€. κ°μ νΈλ¨ μλ¨ λ± μμ¬μ λΉκ·Ήμ μ§λ κ³³μ μ°Ύμλ€λλ©° μ΄μΌκΈ°λ₯Ό λ€μλ€. λΉμ μ κΉμ§λ§ ν΄λ λ§νκΈ°λ₯Ό μ’μνλ μ μ μ²λ μ μ΄λμ νμΈμ λ§μ κ· κΈ°μΈμ¬ λ£λ μ μ μκ°λ‘ λ³μ νλ€. νμ¨λ μ¬ν΄ λ¬Ένλλ€ μκ°μ λ³Έμ¬μ μ΄λ¦μ μ¬λ¦¬λ λ± μ μΆλ¬Έμ λΉμ μ΄ μ°μ°μ΄ μλμμμ μ¦λͺ ν΄ λκ°κ³ μλ€. κ·Έμ μ²λ μ μΆλ¬Έμ λΉμ μ μ΄λ±μ κ³λ³΄(μνλ무)λ ν΄κ³ λ₯Ό κ±°λν΄ μ΄λ¬ μ μ μΆκ°λλ€.μ’μ μνμ κ·Έκ²μ μ½λ μ¬λμ μΈμμ λ¬Όλ‘ λ§λ μ¬λμ μΈμλ λ°κΎΌλ€. κ°μ₯ μ’μ μ¬λ‘κ° μ μΆλ¬Έμλ€. λ¬Έν μ§λ§μμΌλ‘μ λμλ μ΅μμ λλ μ 보λ΄λ μ΄λ€μ μ μΆλ¬ΈμλΌλ κ΄λ¬Έμ κ±°μ³ μκ°λ‘ λ³μ νλ€.μ 2ν μ₯νΈμμ€ λΉμ μμΈ κΉμκ²½ μ¨(36)μ λΉμ μ μ²μΆνμ°(λ―Όμμ¬)μ μ μ μΈλκ° κ²ͺλ μ΄λ €μμ μμ§νκ² ννν΄ νΈνλ°μ μνμ΄λ€. μ΄ μμ€μλ κΉμ¨κ° κ²ͺμ μΌλ€μ΄ μλΉ λΆλΆ λ Ήμ μλ€. κΉμ¨λ μ§μμ΄ μ΄λ €μμ§λ λ°λμ μ΄λ¦° μμ ν΄ λ³΄μ§ μμ μλ₯΄λ°μ΄νΈκ° μμ μ λμλ€.κΉμ¨λ μ§λ 2μ νκ΅λ¬Ένμμ μμνμ μμΈ νλ¦°μ€νΈν μ΄ νμνλ μ°½μμ§νμ€ μ μ£Όμκ° νλ‘κ·Έλ¨μ μ μ λΌ ν λ¬ λμ νΈν μμ μ§νμ μ λ νλ€. νΈν μμ νμ μ‘μ λνμ μμ νΈν μ£Όλ°©μμ μ€κ±°μ§νλ κΈ°μ΅μ΄ λ μ¬λλ€. βνΈν μμ κΈμ μ°λ μλ μκ°μ΄ λμ κΈ°λΆμ΄ λ¬νμ΄μ. νΈν μμ μΌν λλ μ λ¬ΈμΌλ‘ λ€μ΄κ° μλ μλ μ μΈμλλ° λ§μ΄μ£ .β μ μ μκ°κ° λ λ€ λ ν° μ± μκ°μ λλΌκ³ μλ€λ κ·Έλ μ΄λ¬ λ λ²μ§Έ μνμ νκ³ ν κ³νμ΄λ€.μ 3ν μ λΆλ¬Έ λΉμ μ κΉλ―Όμ¨ μ¨(37)λ λ±λ¨ μ΄μ κ³Ό λ³λ€λ₯Ό κ² μμ΄ λ³΄μ΄λ μΌμμ 보λ΄κ³ μλ€. νμ§λ§ κ·Έμκ²λ λΆλͺ ν λ³νκ° μκ²Όλ€. βλ±λ¨ μ μλ μ’ νΈμνκ² μλ₯Ό μΌλλ° λ±λ¨ν λ€λ‘λ μ± μκ° μκ² μλ₯Ό μ°λ €κ³ νλ€βκ³ κΉμ¨λ λ§ν...
1
- Loss:
BinaryCrossEntropyLoss
with these parameters:{ "activation_fn": "torch.nn.modules.linear.Identity", "pos_weight": null }
Training Hyperparameters
Non-Default Hyperparameters
per_device_train_batch_size
: 16per_device_eval_batch_size
: 16num_train_epochs
: 1
All Hyperparameters
Click to expand
overwrite_output_dir
: Falsedo_predict
: Falseeval_strategy
: noprediction_loss_only
: Trueper_device_train_batch_size
: 16per_device_eval_batch_size
: 16per_gpu_train_batch_size
: Noneper_gpu_eval_batch_size
: Nonegradient_accumulation_steps
: 1eval_accumulation_steps
: Nonetorch_empty_cache_steps
: Nonelearning_rate
: 5e-05weight_decay
: 0.0adam_beta1
: 0.9adam_beta2
: 0.999adam_epsilon
: 1e-08max_grad_norm
: 1num_train_epochs
: 1max_steps
: -1lr_scheduler_type
: linearlr_scheduler_kwargs
: {}warmup_ratio
: 0.0warmup_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
: Falsefp16_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
: Falseignore_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}parallelism_config
: Nonedeepspeed
: Nonelabel_smoothing_factor
: 0.0optim
: adamw_torch_fusedoptim_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
: Nonehub_always_push
: Falsehub_revision
: Nonegradient_checkpointing
: Falsegradient_checkpointing_kwargs
: Noneinclude_inputs_for_metrics
: Falseinclude_for_metrics
: []eval_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
: Noneinclude_tokens_per_second
: Falseinclude_num_input_tokens_seen
: Falseneftune_noise_alpha
: Noneoptim_target_modules
: Nonebatch_eval_metrics
: Falseeval_on_start
: Falseuse_liger_kernel
: Falseliger_kernel_config
: Noneeval_use_gather_object
: Falseaverage_tokens_across_devices
: Falseprompts
: Nonebatch_sampler
: batch_samplermulti_dataset_batch_sampler
: proportionalrouter_mapping
: {}learning_rate_mapping
: {}
Training Logs
Epoch | Step | Training Loss |
---|---|---|
0.2278 | 500 | 0.2381 |
0.4556 | 1000 | 0.072 |
0.6834 | 1500 | 0.0639 |
0.9112 | 2000 | 0.0494 |
Framework Versions
- Python: 3.12.11
- Sentence Transformers: 5.1.0
- Transformers: 4.56.1
- PyTorch: 2.8.0+cu126
- 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",
}
- Downloads last month
- 4
Inference Providers
NEW
This model isn't deployed by any Inference Provider.
π
Ask for provider support
Model tree for sept102/klue-roberta-small-cross-encoder
Base model
klue/roberta-small