SentenceTransformer based on vinai/phobert-base-v2

This is a sentence-transformers model finetuned from vinai/phobert-base-v2 on the vnexpress-data-similarity 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:
  • vnexpress-data-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: 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-filtered_data_wseg-lr5e-06")
# Run inference
sentences = [
    'Động_đất mạnh 5,6 độ ở tỉnh Tây_Java của Indonesia khiến ít_nhất 44 người thiệt_mạng , nhiều nhà_cửa tại thủ_đô Jakarta cũng bị rung_chuyển . - VnExpress',
    'Cơ_quan Khí_tượng , Khí_hậu và Địa_vật_lý Indonesia ( BMKG ) cho biết trận động_đất mạnh 5,6 độ xảy ra lúc 13h21 hôm_nay , tâm chấn nằm trên đất_liền ở độ sâu 10 km tại tỉnh Tây_Java , cách thủ_đô Jakarta khoảng 100 km về phía nam . Trong khi đó , Cơ_quan Khảo_sát Địa_chất Mỹ ( USGS ) cho biết trận động_đất mạnh 5,4 độ . USGS xác_định những trận động_đất có tâm chấn ở độ sâu dưới 70 km là " tâm chấn nông " và chúng thường gây thiệt_hại nặng_nề hơn so với " tâm chấn sâu " . \n BMKG nói rằng không có nguy_cơ xảy ra sóng_thần sau trận động_đất . \n " Hàng trăm , thậm_chí có_thể hàng nghìn ngôi nhà bị hư_hại . 44 người đã thiệt_mạng " , Adam , phát_ngôn_viên của chính_quyền địa_phương tại thị_trấn Cianjur ở Tây_Java , nói với AFP. \n Herman_Suherman , lãnh_đạo thị_trấn Cianjur , trước đó nói trên truyền_hình rằng chỉ riêng một trong 4 bệnh_viện tại đây đã ghi_nhận gần 20 người chết và ít_nhất 300 người bị_thương . " Phần_lớn nạn_nhân bị_thương do mắc_kẹt dưới đống đổ_nát " , ông cho biết và cảnh_báo con_số thương_vong có_thể tăng thêm . \n Nhân_chứng cho biết nhiều tòa nhà tại Jakarta bị rung_chuyển , khiến không ít người phải sơ_tán khỏi các văn_phòng ở quận trung_tâm thủ_đô . Số khác nói rằng họ cảm_nhận được các tòa nhà rung lắc và chứng_kiến đồ_đạc di_chuyển . \n " Tôi đang làm_việc thì sàn nhà rung_chuyển , tôi có_thể cảm_nhận chấn_động rất rõ_ràng " , Mayadita_Waluyo , một luật_sư 22 tuổi làm_việc tại một tòa nhà_văn_phòng ở Jakarta , kể . " Lúc đó tôi chưa hình_dung được chuyện gì đã xảy ra , nhưng rung lắc ngày_càng mạnh hơn và kéo_dài khá lâu " . \n Waluyo cho hay cô và nhiều đồng_nghiệp trong văn_phòng sau đó đã hoảng_hốt chạy xuống cầu_thang bộ để thoát khỏi tòa nhà . \n Indonesia thường_xuyên trải qua các trận động_đất và phun trào núi_lửa do nằm trên " Vành_đai lửa " , một vòng_cung hoạt_động địa_chấn dữ_dội , nơi các mảng kiến_tạo va_chạm kéo_dài từ Nhật_Bản qua Đông_Nam_Á và lưu_vực Thái_Bình_Dương . \n Năm 2004 , trận động_đất 9,1 độ xảy ra ngoài khơi đảo Sumatra , gây ra sóng_thần giết chết 220.000 người khắp khu_vực , trong đó có khoảng 170.000 người ở Indonesia . \n Năm 2018 , một trận động_đất 7,5 độ và sóng_thần theo sau ở Palu trên đảo Sulawesi đã khiến hơn 4.300 người chết và mất_tích . \n Vũ_Anh ( Theo AFP )',
    'Nếu mua xe mới tôi phải vay thêm tiền mới đủ lăn bánh_xe cỡ A trong khi mua xe cũ thì có thế chọn xe cỡ B. ( Lan_Anh ) \n >> Xem thêm : cẩm_nang mua xe',
]
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

vnexpress-data-similarity

• Dataset: vnexpress-data-similarity at e6cb542
• Size: 74,620 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 18 tokensmean: 32.21 tokensmax: 104 tokens	min: 21 tokensmean: 140.01 tokensmax: 256 tokens

• Samples:

  anchor	positive
  Gene quyết_định phần_lớn chiều cao của trẻ , những thói_quen sinh_hoạt , ăn_uống cũng ảnh_hưởng đến quá_trình phát_triển . - VnExpress	Gene quyết_định phần_lớn chiều cao của trẻ , những thói_quen sinh_hoạt , ăn_uống cũng ảnh_hưởng đến quá_trình phát_triển . Lê Nguyễn ( Theo Timesofindia , WebMD ) Vui_lòng điền đầy_đủ thông_tin để chúng_tôi có_thể hỗ_trợ bạn
  H & # 039 ; Hen Niê đưa bố_mẹ và cháu gái cùng đi công_tác , Vũ_Thu_Phương đưa con sang Anh nhập_học , Phương_Trinh Jolie bế con_trai mới sinh , Mạc Văn_Khoa xúc_động khi được diễn chung với NSƯT Hoài_Linh . - Ngôi_sao	Phong_Kiều - Showbiz - Thời_trang - Làm_đẹp - Xem - Ăn_chơi - Lối_sống - Thể_thao - Thời_cuộc - Podcasts - Thương_trường - Trắc_nghiệm - Video - Ảnh - Reviews & Deals H ' Hen Niê đưa bố_mẹ và cháu gái cùng đi công_tác , Vũ_Thu_Phương đưa con sang Anh nhập_học , Phương_Trinh Jolie bế con_trai mới sinh , Mạc Văn_Khoa xúc_động khi được diễn chung với NSƯT Hoài_Linh . Phong_Kiều
  Hạt_giống số một giành chiến_thắng với tỷ_số 7 - 6 ( 1 ) , 6 - 3 ở trận ra_quân tại Halle Mở_rộng 2019 . - VnExpress	Hạt_giống số một giành chiến_thắng với tỷ_số 7 - 6 ( 1 ) , 6 - 3 ở trận ra_quân tại Halle Mở_rộng 2019 . Quang_Dũng

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 16
• gradient_accumulation_steps: 5
• learning_rate: 5e-06
• warmup_ratio: 0.1
• save_safetensors: False
• fp16: True
• push_to_hub: True
• hub_model_id: iambestfeed/phobert-base-v2-finetuned-filtered_data_wseg-lr5e-06
• batch_sampler: no_duplicates

All Hyperparameters

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 5
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 5e-06
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 3
• 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-filtered_data_wseg-lr5e-06
• 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

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.3.1
• Transformers: 4.47.0
• PyTorch: 2.5.1+cu121
• Accelerate: 1.2.1
• Datasets: 3.3.1
• Tokenizers: 0.21.0

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",
}

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}
}