--- base_model: intfloat/multilingual-e5-small library_name: sentence-transformers metrics: - pearson_cosine - spearman_cosine - pearson_manhattan - spearman_manhattan - pearson_euclidean - spearman_euclidean - pearson_dot - spearman_dot - pearson_max - spearman_max pipeline_tag: sentence-similarity tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:6577 - loss:CosineSimilarityLoss widget: - source_sentence: 'query: алерана бальзам' sentences: - 'passage: Мороженое "Джиандуйя" фундучно-шоколад.; Шоколадный пломбир с фундуком в шоколаде. Нежная сливочная текстура.; Мороженое; Цена: 138.0; Рейтинг: 4.9' - 'passage: Нюда спрей д/местного применения педикулицидный 50мл; Средство с физическим принципом действия для уничтожения головных вшей, личинок и гнид; Лекарственные средства; Цена: 1136.0; Рейтинг: 0.0' - 'passage: АнвиМакс Мед-Лимон пор.д/приг.р-ра д/приема внутрь пак.№12; Препарат для лечения гриппа и ОРВИ. Комбинирует противовирусное и симптоматическое действие.; Лекарственные средства; Цена: 806.0; Рейтинг: 0.0' - source_sentence: 'query: тунец' sentences: - 'passage: Мармелад жевательный "Ассорти"; Жевательный мармелад с насыщенным фруктовым вкусом. ; Мармелад, халва, зефир, восточные сладости; Цена: 106.0; Рейтинг: 4.9' - 'passage: Фаритол сироп 150мл Подорожник/Алтей/Чабрец; Сироп подорожника, алтея и чабреца для детей с 3-х лет и взрослых. ЭКСТРАКТ ЛИСТЬЕВ ПОДОРОЖНИКА обладает успокаивающим действием на горло и голосовые связки. Оказывает отхаркивающее действие и способствует более быстрому выведению мокроты из бронхов. ЭКСТРАКТ ЧАБРЕЦА обладает бактерицидным, противовоспалительным, отхаркивающим свойствами. Оказывает успокаивающее и смягчающее действие на слизистые. Способствует снижению вязкости мокроты, разрыхлению воспалительных налетов, ускоряя выведение из организма продуктов воспаления и слизистых масс. ЭКСТРАКТ КОРНЕЙ АЛТЕЯ мягко обволакивая слизистые оболочки, препятствует их раздражению и обладает смягчающим и увлажняющим свойствами. Активизируя двигательную активность реснитчатого эпителия верхних дыхательных путей, способствует разжижению слизи, стимулирует высвобождение дыхательных каналов от мокроты.; Витамины, БАДы; Цена: 278.0; Рейтинг: 0.0' - 'passage: Батончик протеиновый Snaq Fabriq Арахис и карамель 50 г; Протеиновый батончик с натуральными ингредиентами, без сахара и глютена.; Батончики; Цена: 99.0; Рейтинг: 4.9' - source_sentence: 'query: вареники сулугуни' sentences: - 'passage: Чипсы Naitori из морских водорослей 3 г; Хрустящие чипсы из водорослей нори, обжаренные на оливковом масле с солью. ; Снеки; Цена: 55.0; Рейтинг: 4.9' - 'passage: Вареники с вишневой начинкой, 500 г; Постные вареники с вишней, тонким тестом; Пельмени, вареники и манты; Цена: 336.0; Рейтинг: 4.7' - 'passage: Протеин сывороточный "Ваниль"; Сывороточный протеин с ванильным вкусом; Протеин; Цена: 1464.0; Рейтинг: 4.9' - source_sentence: 'query: каша молочно' sentences: - 'passage: Вишня сушеная, 1 кг; Спелая, сочная вишня, высушена, чтобы сохранить цвет и вкус; Орехи, сухофрукты; Цена: 3000.0; Рейтинг: 4.6' - 'passage: Крем для тела с кислотами Acid Cloud, 250 мл; Крем с энзимами и кислотами для красоты и здоровья кожи. Борется с высыпаниями, шелушениями и постакне, возвращает мягкость коже.; Кремы косметические; Цена: 1792.0; Рейтинг: 5.0' - 'passage: Шоколад ремесленный горький 74%; Ремесленный шоколад из перуанских и колумбийских какао-бобов; Шоколад; Цена: 310.0; Рейтинг: 4.9' - source_sentence: 'query: хачапури по аджарски' sentences: - 'passage: Напиток на чайном грибе с цветами липы и чабрецом, 350 мл; Тонизирующий напиток природного брожения. Приготовлен на чистой культуре чайного гриба с цветами липы, чабрецом и иван-чаем. Вкус: кислинка и терпкость трав.; Квас; Цена: 98.0; Рейтинг: 4.7' - 'passage: Дезодорант-антиперспирант Nivea Men Серебряная защита 50 мл; Антибактериальный дезодорант с ионами серебра для защиты от пота и запаха на 99,9%. Успокаивает кожу и имеет свежий мужской аромат. Не содержит спирта.; Дезодоранты; Цена: 395.0; Рейтинг: 4.9' - 'passage: Икра трески, 240 г; Нежная подсоленная икра тихоокеанской трески. С узнаваемым, чуть сладковатым вкусом и зернистой текстурой. Идеально подходит для сэндвичей, канапе и салатов.; Икра; Цена: 207.0; Рейтинг: 4.8' model-index: - name: SentenceTransformer based on intfloat/multilingual-e5-small results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: dev type: dev metrics: - type: pearson_cosine value: 0.8058103374607081 name: Pearson Cosine - type: spearman_cosine value: 0.8022089220262975 name: Spearman Cosine - type: pearson_manhattan value: 0.7663931903358694 name: Pearson Manhattan - type: spearman_manhattan value: 0.8007955322402943 name: Spearman Manhattan - type: pearson_euclidean value: 0.7686449116883721 name: Pearson Euclidean - type: spearman_euclidean value: 0.8022089220262975 name: Spearman Euclidean - type: pearson_dot value: 0.8058103383272679 name: Pearson Dot - type: spearman_dot value: 0.8022089220262975 name: Spearman Dot - type: pearson_max value: 0.8058103383272679 name: Pearson Max - type: spearman_max value: 0.8022089220262975 name: Spearman Max --- # SentenceTransformer based on intfloat/multilingual-e5-small This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small). It maps sentences & paragraphs to a 384-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:** [intfloat/multilingual-e5-small](https://huggingface.co/intfloat/multilingual-e5-small) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 384 tokens - **Similarity Function:** Cosine Similarity ### 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': 256, 'do_lower_case': False}) with Transformer model: BertModel (1): Pooling({'word_embedding_dimension': 384, '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: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("Data-Lab/multilingual-e5-small-cross-encoder-v0.1") # Run inference sentences = [ 'query: хачапури по аджарски', 'passage: Напиток на чайном грибе с цветами липы и чабрецом, 350 мл; Тонизирующий напиток природного брожения. Приготовлен на чистой культуре чайного гриба с цветами липы, чабрецом и иван-чаем. Вкус: кислинка и терпкость трав.; Квас; Цена: 98.0; Рейтинг: 4.7', 'passage: Икра трески, 240 г; Нежная подсоленная икра тихоокеанской трески. С узнаваемым, чуть сладковатым вкусом и зернистой текстурой. Идеально подходит для сэндвичей, канапе и салатов.; Икра; Цена: 207.0; Рейтинг: 4.8', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 384] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Evaluation ### Metrics #### Semantic Similarity * Dataset: `dev` * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:-------------------|:-----------| | pearson_cosine | 0.8058 | | spearman_cosine | 0.8022 | | pearson_manhattan | 0.7664 | | spearman_manhattan | 0.8008 | | pearson_euclidean | 0.7686 | | spearman_euclidean | 0.8022 | | pearson_dot | 0.8058 | | spearman_dot | 0.8022 | | pearson_max | 0.8058 | | **spearman_max** | **0.8022** | ## Training Details ### Training Dataset #### Unnamed Dataset * Size: 6,577 training samples * Columns: sentence_0, sentence_1, and label * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | label | |:--------|:---------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:--------------------------------------------------------------| | type | string | string | float | | details | | | | * Samples: | sentence_0 | sentence_1 | label | |:------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------| | query: ополаскиватель для рта | passage: Блин сырный по-голландски; Голландский сырный блинчик с пикантным чесноком и домашним майонезом; Блины; Цена: 218.0; Рейтинг: 4.8 | 0.0 | | query: таблетки для посудомоечной машины | passage: Десерт многослойный с фруктовым соком; Сочное желе из натуральных соков с фруктозно-глюкозным сиропом. Кисло-сладкий десерт.; Пирожные, муссы, суфле; Цена: 75.0; Рейтинг: 4.8 | 0.0 | | query: пельмени с индейкой мини | passage: Кумин молотый Золото Индии; Сильный сладковато-горький вкус. Идеально с рыбой, молочными продуктами и овощами.; Специи и приправы; Цена: 137.0; Рейтинг: 4.9 | 0.0 | * Loss: [CosineSimilarityLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters: ```json { "loss_fct": "torch.nn.modules.loss.MSELoss" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 32 - `per_device_eval_batch_size`: 32 - `fp16`: True - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 32 - `per_device_eval_batch_size`: 32 - `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`: 3 - `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`: 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`: 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`: False - `hub_always_push`: False - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `include_inputs_for_metrics`: False - `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 - `eval_use_gather_object`: False - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin
### Training Logs | Epoch | Step | dev_spearman_max | |:-----:|:----:|:----------------:| | 1.0 | 103 | 0.8078 | | 2.0 | 206 | 0.8052 | | 3.0 | 309 | 0.8022 | ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 3.2.0 - Transformers: 4.44.0 - PyTorch: 2.3.1+cu121 - Accelerate: 0.31.0 - Datasets: 2.20.0 - Tokenizers: 0.19.1 ## 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", } ```