Add new SentenceTransformer model

6c7090b verified 4 months ago

18.8 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:1535
  - loss:MultipleNegativesRankingLoss
base_model: nomic-ai/nomic-embed-text-v2-moe
widget:
  - source_sentence: >-
      İhale Yönetmeliği Madde 19'a göre doğrudan temin için
      mal/hizmet/tarife/seyahat alımlarının bedel sınırı nedir?
    sentences:
      - >-
        Week9 (Nov 25): Condition Variables, Deadlocks / Project Phase II:
        Scheduler - @Nov 28, Preliminary Report Due: Dec 23, How to write
        Project Report, Phase 1- DEMO
      - >-
        ç) Üniversitenin tahmini bedeli bir önceki hesap dönemi toplam
        giderlerinin TÜFE oranına göre güncellenecek
        üçyüzsekizbinüçyüzyetmişdört TL’ye karşılık gelen tutardaki bedeli
        aşmayacak olan mal ve hizmet alımları, tarifeli alımlar ile seyahat
        alımları.
      - >-
        MADDE 9 – (1) Yabancı uyruklu öğrenciler hakkında ilgili mevzuat
        hükümleri ile Senato tarafından belirlenen esaslar uygulanır.
  - source_sentence: Madde 8'e göre Komisyon Başkanı kime karşı sorumludur?
    sentences:
      - Komisyon Başkanı, Rektöre karşı sorumludur.
      - Komisyon Başkanı, çalışma birimlerinin faaliyetlerini izler ve denetler.
      - >-
        Alınacak pedagojik formasyon dersleri öğrencinin dönemlik ders yükünün
        üzerinde olması halinde genel not ortalaması 3.00 ve üzeri olan
        öğrencilerden ücret alınmayacak...
  - source_sentence: What is the grading breakdown for CSE 462?
    sentences:
      - |-
        Grading Breakdown: 30% Midterm
        45% Final
        25% Assignments
      - Teklifler iadeli taahhütlü olarak da gönderilebilir.
      - >-
        Any form of cheating will be reported to the faculty's relevant
        administrative body for further action.
  - source_sentence: >-
      Resmi Yazışma Yönergesi Madde 16'ya göre paragraflar nasıl başlar ve
      hizalanır?
    sentences:
      - >-
        (8)Yazışma birim kodu olmayan veya verilmeyen hiçbir birim yazışma
        yapamaz.
      - >-
        (3) Zorunlu hâllerde veya olağanüstü durumlarda hazırlanan olur
        yazılarında “OLUR” ibaresinden sonra tarih ve imza için uygun boş satır
        bırakılarak ilk satırda imzalayanın adı ve soyadına, ikinci satırda ise
        unvan bilgilerine yer verilir (Örnek 18).
      - (4) Paragrafa 1,25 cm içeriden başlanır ve metin iki yana hizalanır.
  - source_sentence: CSE 447 (Ozkaya) sınavında kopya çekme girişimi nasıl değerlendirilir?
    sentences:
      - |-
        Week-10 AVL tree
        Week-11 IPR tree
        Week-12 B tree
        Week-13 B+ tree
      - >-
        Alan Eğitimcisi : Doktorasını ve/veya doçentliğini, ilgili alan
        eğitiminde (fizik eğitimi, kimya eğitimi, biyoloji eğitimi, matematik
        eğitimi, tarih eğitimi, din eğitimi, Türkçe eğitimi vb.) almış öğretim
        üyesini,
      - >-
        Exam Cheating Policy: Any attempt at cheating during the midterm and
        final exams will be treated seriously.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on nomic-ai/nomic-embed-text-v2-moe

This is a sentence-transformers model finetuned from nomic-ai/nomic-embed-text-v2-moe on the json 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: nomic-ai/nomic-embed-text-v2-moe
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json

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}) with Transformer model: 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})
  (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("Demircan12/nomic-embed-text-v2-moe-YeditepeFT")
# Run inference
sentences = [
    'CSE 447 (Ozkaya) sınavında kopya çekme girişimi nasıl değerlendirilir?',
    'Exam Cheating Policy: Any attempt at cheating during the midterm and final exams will be treated seriously.',
    'Week-10 AVL tree\nWeek-11 IPR tree\nWeek-12 B tree\nWeek-13 B+ tree',
]
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

json

Dataset: json
Size: 1,535 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 11 tokens
mean: 22.23 tokens
max: 43 tokens

min: 6 tokens
mean: 38.09 tokens
max: 247 tokens

	anchor	positive
type	string	string
details	min: 11 tokens mean: 22.23 tokens max: 43 tokens	min: 6 tokens mean: 38.09 tokens max: 247 tokens

Samples:

anchor	positive
`Are the Fall (Regular) and Spring (Irregular) programs in the Faculty of Law different according to MADDE 5?`	`Güz (Regular) ve Bahar (Irregular) programları başlangıç zamanı dışında her açıdan birbirine denktir.`
`According to MADDE 6, who can take the Postgraduate Proficiency Exam?`	`(2) Yeterlik Sınavı’na, yeni kayıtlı öğrencilerle birlikte halen hazırlık programında öğrenimine devam eden öğrenciler de girebilirler.`
`What is the purpose of the Horizontal/Vertical Transfer Adaptation Principles (Madde 1)?`	`Madde 1- (1) Yatay/Dikey Geçiş İntibak Esaslarının amacı, Yeditepe Üniversitesine yatay geçiş veya dikey geçiş ile kabul edilen öğrencilerin intibak işlemlerine ilişkin esas ve usulleri belirlemektir.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

json

Dataset: json
Size: 220 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 220 samples:
anchor positive
type string string
details
min: 12 tokens
mean: 21.82 tokens
max: 39 tokens

min: 9 tokens
mean: 36.3 tokens
max: 160 tokens

	anchor	positive
type	string	string
details	min: 12 tokens mean: 21.82 tokens max: 39 tokens	min: 9 tokens mean: 36.3 tokens max: 160 tokens

Samples:

anchor	positive
`CSE 439 dersinin notlandırma dağılımı nasıldır?`	`Grading Breakdown: Midterm: 30%\nFinal: 35%\nHomeworks and Quizzes: 15%\nTerm Project: 20%`
`Hukuk Fakültesi Yönetmeliği Madde 13'e göre dersler öğrencilerin hangi yeteneklerini geliştirmeye yönelik yürütülür?`	`(3) Dersler öğrencilerin muhakeme ve sözlü-yazılı anlatım yeteneklerinin geliştirilmesine katkı sağlayacak şekilde yürütülür.`
`Yönetmelik Madde 18'e göre hangi sınav Yönetmeliğine göre başarılı olanlar dil sınavından muaf tutulur?`	`b) Öğretim dilinin anadil olarak konuşulduğu ülkelerde yabancıların yükseköğrenim görebilmeleri için aranan asgari yabancı dil seviyesinin tespiti amacına yönelik olarak yapılan sınavlarda ve 25/9/2013 tarihli ve 28776 sayılı Resmî Gazete’de yayımlanan Yeditepe Üniversitesi Yabancı Diller Hazırlık Programı Eğitim-Öğretim ve Sınav Yönetmeliği hükümlerine göre başarılı olanlar.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 5
warmup_ratio: 0.1
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: 16
per_device_eval_batch_size: 16
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: 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}
tp_size: 0
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
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
1.0417	100	0.1199	0.0659
2.0833	200	0.0236	0.0524
3.125	300	0.0145	0.0578
4.1667	400	0.0102	0.0617

Framework Versions

Python: 3.11.12
Sentence Transformers: 4.1.0
Transformers: 4.51.3
PyTorch: 2.6.0+cu124
Accelerate: 1.6.0
Datasets: 3.6.0
Tokenizers: 0.21.1

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}
}