SentenceTransformer based on nlpai-lab/KURE-v1

This is a sentence-transformers model finetuned from nlpai-lab/KURE-v1. It maps sentences & paragraphs to a 1024-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: nlpai-lab/KURE-v1
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 1024 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': 256, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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("sentence_transformers_model_id")
# Run inference
sentences = [
    '입학 부정행위가 있으면 한동대에서는 어떤 조치를 하나요?',
    '제 16 조 (입학허가 및 특별과정)\n입학은 총장이 허가하되, 제출 서류의 허위기재, 서류의 위조, 변조, 대리시험 또는 시험부정행위 등 입학 부정행위가 입학허가 전에 그 사실이 판명된 때에는 불합격처리하고 입학허가 후에 사실이 판명된 때에도 입학을 취소한다.\n특별과정 운영에 관한 세부사항은 총장이 따로 정한다.',
    '제 52 조 (총학생회)\n건전한 학풍을 조성하고 학생자치활동을 신장시키기 위하여 한동대학교 총학생회(이하 "총학생회"라 한다)를 둔다.\n총학생회의 조직과 운영에 관한 사항은 총장의 승인을 얻어 학생회칙으로 따로 정한다.\n전시·사변 또는 이에 준하는 국가 비상사태시에는 그 활동이 정지된다.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Training Details

Training Dataset

Unnamed Dataset

• Size: 57 training samples
• Columns: sentence_0, sentence_1, sentence_2, sentence_3, and sentence_4
• Approximate statistics based on the first 57 samples:

  	sentence_0	sentence_1	sentence_2	sentence_3	sentence_4
  type	string	string	string	string	string
  details	min: 14 tokensmean: 25.53 tokensmax: 43 tokens	min: 18 tokensmean: 105.79 tokensmax: 256 tokens	min: 25 tokensmean: 80.28 tokensmax: 256 tokens	min: 34 tokensmean: 69.91 tokensmax: 256 tokens	min: 25 tokensmean: 86.54 tokensmax: 256 tokens

• Samples:

  sentence_0	sentence_1	sentence_2	sentence_3	sentence_4
  한동대학교에서는 전공에 따라 어떤 종류의 학위를 받게 되나요? 융합전공이나 국제협력과정을 이수한 경우에도 학위가 수여되나요?	제 46 조 (학위수여)졸업자에게는 다음 각호와 같은 학위를 수여한다.문학사 : 국제어문학부 영어전공, 커뮤니케이션학부, 상담심리사회복지학부, 창의융합교육원 글로벌한국학(한국어교육)전공, 글로벌한국학(한국언어문화)전공.경영학사 : 경영경제학부 경영학전공, Global Management 전공.경제학사 : 경영경제학부 경제학전공.법학사 : 법학부.정치학사 : 국제어문학부 국제지역학전공.공학사 : 기계제어공학부, 공간환경시스템공학부, 콘텐츠융합디자인학부 제품디자인전공, ICT창업학부, 전산전자공학부 Information Technology 전공, 컴퓨터공학 전공, 전자공학 전공, AI융합교육원 AI융합전공.미술학사 : 콘텐츠융합디자인학부 시각디자인전공.이학사 : 생명과학부, 창의융합교육원 수학통계전공, AI융합전공 데이터사이언스전공.창의융합교육원 학생설계융합전공과 글로벌융합전공의 졸업요건을 모두 충족하였을 때에는 학생이 이 대학 학위수여 범위 안에서 자율적으로 신청 한 학위를 관련위원회의 심의를 거쳐 수여한다.공학사(전자공학심화) : 전산전자공학부 전자공학심화 전공.공학사(AI·컴퓨터공학심화) : 전산전자공학부 AI·컴퓨터공학심화 전공.모듈형설계전공의 학위수여는 총장이 따로 정한다.외국대학과의 협약에 의하여 이 대학교의 교육과정을 외국대학과 공동으로 운영할 수 있으며, 이를 이수한 학생에게 학위를 수여할 수 있다.협약 학생의 선발, 학사관리, 졸업요건 및 학위수여 등에 관한 세부사항은 총장이 따로 정한다.	제 46 조 (학위수여)졸업자에게는 다음 각호와 같은 학위를 수여한다.문학사 : 국제어문학부 영어전공, 커뮤니케이션학부, 상담심리사회복지학부, 창의융합교육원 글로벌한국학(한국어교육)전공, 글로벌한국학(한국언어문화)전공.경영학사 : 경영경제학부 경영학전공, Global Management 전공.경제학사 : 경영경제학부 경제학전공.법학사 : 법학부.정치학사 : 국제어문학부 국제지역학전공.공학사 : 기계제어공학부, 공간환경시스템공학부, 콘텐츠융합디자인학부 제품디자인전공, ICT창업학부, 전산전자공학부 Information Technology 전공, 컴퓨터공학 전공, 전자공학 전공, AI융합교육원 AI융합전공.미술학사 : 콘텐츠융합디자인학부 시각디자인전공.이학사 : 생명과학부, 창의융합교육원 수학통계전공, AI융합전공 데이터사이언스전공.창의융합교육원 학생설계융합전공과 글로벌융합전공의 졸업요건을 모두 충족하였을 때에는 학생이 이 대학 학위수여 범위 안에서 자율적으로 신청 한 학위를 관련위원회의 심의를 거쳐 수여한다.공학사(전자공학심화) : 전산전자공학부 전자공학심화 전공.공학사(AI·컴퓨터공학심화) : 전산전자공학부 AI·컴퓨터공학심화 전공.모듈형설계전공의 학위수여는 총장이 따로 정한다.외국대학과의 협약에 의하여 이 대학교의 교육과정을 외국대학과 공동으로 운영할 수 있으며, 이를 이수한 학생에게 학위를 수여할 수 있다.협약 학생의 선발, 학사관리, 졸업요건 및 학위수여 등에 관한 세부사항은 총장이 따로 정한다.	제목: 한동대학교 학칙소관부서: 교무팀 1073, 1074학교웹페이지: https://rule.handong.edu	제 1 조 (목적)이 학칙은 한동대학교(이하 "이 대학교"라 한다) 교훈의 실천과 교육이념, 교육목적 및 교육목표를 달성하기 위한 교육조직, 학사운영 등에 관한 사항을 규정함을 목적으로 한다.
  한동대학교에서는 결석이나 정학으로 인해 등록금이 감액되나요?	제 63 조 (결석 또는 정학자 납입금)납입금은 결석, 정학 또는 제적의 이유로 감액되지 않는다.	제 63 조 (결석 또는 정학자 납입금)납입금은 결석, 정학 또는 제적의 이유로 감액되지 않는다.	제 52 조 (총학생회)건전한 학풍을 조성하고 학생자치활동을 신장시키기 위하여 한동대학교 총학생회(이하 "총학생회"라 한다)를 둔다.총학생회의 조직과 운영에 관한 사항은 총장의 승인을 얻어 학생회칙으로 따로 정한다.전시·사변 또는 이에 준하는 국가 비상사태시에는 그 활동이 정지된다.	제목: 한동대학교 학칙소관부서: 교무팀 1073, 1074학교웹페이지: https://rule.handong.edu
  한동대학교에 입학하기 전에 예비과정을 이수할 수 있는 경우가 있나요? 예비과정에서 들은 수업은 학점으로 인정되나요?	제 34 조 (예비과정)다음 각 호의 1에 해당하는 자로서 총장이 필요하다고 인정하는 자는 입학전이라도 예비 교육과정을 이수케 할 수 있으며, 여기서 이수한 과목에 대하여는 입학후 학점을 인정 할 수 있다.외국인 학생.교포,외교관등의 자녀.기타 예비과정 수강이 필요하다고 총장이 인정하는자.예비과정의 개설과목, 실시간,학점인정등 예비과정 운영에 필요한 세부사항은 총장이 따로 정한다.	제 34 조 (예비과정)다음 각 호의 1에 해당하는 자로서 총장이 필요하다고 인정하는 자는 입학전이라도 예비 교육과정을 이수케 할 수 있으며, 여기서 이수한 과목에 대하여는 입학후 학점을 인정 할 수 있다.외국인 학생.교포,외교관등의 자녀.기타 예비과정 수강이 필요하다고 총장이 인정하는자.예비과정의 개설과목, 실시간,학점인정등 예비과정 운영에 필요한 세부사항은 총장이 따로 정한다.	제목: 한동대학교 학칙소관부서: 교무팀 1073, 1074학교웹페이지: https://rule.handong.edu	제 1 조 (목적)이 학칙은 한동대학교(이하 "이 대학교"라 한다) 교훈의 실천과 교육이념, 교육목적 및 교육목표를 달성하기 위한 교육조직, 학사운영 등에 관한 사항을 규정함을 목적으로 한다.

• 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: 1
• per_device_eval_batch_size: 1
• num_train_epochs: 30
• fp16: True
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 1
• per_device_eval_batch_size: 1
• 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: 30
• 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
• 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: batch_sampler
• multi_dataset_batch_sampler: round_robin

Training Logs

Framework Versions

• Python: 3.10.13
• Sentence Transformers: 3.3.1
• Transformers: 4.46.2
• PyTorch: 2.0.1+cu118
• Accelerate: 0.34.2
• Datasets: 3.0.0
• Tokenizers: 0.20.1

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}
}