metadata

language:
  - th
license: apache-2.0
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:400
  - loss:MultipleNegativesRankingLoss
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
widget:
  - source_sentence: ไข่ไก่, เนย
    sentences:
      - ต้มยำซี่โครงหมู สูตรใส่คนอร์
      - ไข่คน Scrambled egg
      - นมน้ำผึ้งอุ่น
  - source_sentence: >-
      วัว,  พริกแดง,  กระเทียม,  น้ำปลา,  ซีอิ๊วขาว,  น้ำตาลทราย,  ใบกะเพรา, 
      น้ำมัน
    sentences:
      - ข้าวกะเพราเนื้อสับ-ไข่ดาว
      - สปาเก็ตตี้ขี้เมาทะเล
      - แกงซี่โครงหมูใส่วุ้นเส้น
  - source_sentence: >-
      แป้งอเนกประสงค์, น้ำตาลทราย, เนยละลาย, เบคกิ้งโซดา, ผงฟู, ผงโกโก้, ไข่ไก่,
      นมสด, กลิ่นวนิลา, ท๊อปปิ้ง, ช๊อคโกแลต ,อัลมอนด์
    sentences:
      - โดนัทจิ๋ว
      - จิ้นตุ๊บ
      - 'กะเพราเต้าหู้ '
  - source_sentence: >-
      ปลา,  เห็ด,  ใบกระเพรา,  ผักชีฝรั่ง,  มะเขือเทศ,  หอมแดง,  ข่า,  ตะไคร้, 
      พริกแดง,  พริกแห้ง,  ใบมะกรูด,  มะนาว,  น้ำเปล่า,  น้ำปลา,  น้ำตาล,  เกลือ
    sentences:
      - โจ๊กข้าวโอ๊ต
      - กุ้งอบวุ้นเส้น
      - ต้มโคล้งปลากรอบ
  - source_sentence: นมเปรี้ยว, เยลลี่รวมรสผลไม้
    sentences:
      - น้ำพริกอ่อง
      - ทองหยอด
      - ไอศกรีมโยเกิร์ตเยลลี่ปีโป้
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy@1
  - cosine_accuracy@3
  - cosine_accuracy@5
  - cosine_accuracy@10
  - cosine_precision@1
  - cosine_precision@3
  - cosine_precision@5
  - cosine_recall@1
  - cosine_recall@3
  - cosine_recall@5
  - cosine_ndcg@10
  - cosine_mrr@10
  - cosine_map@100
model-index:
  - name: Thai Food Ingredients → Dish Prediction
    results:
      - task:
          type: information-retrieval
          name: Information Retrieval
        dataset:
          name: thai food eval
          type: thai-food-eval
        metrics:
          - type: cosine_accuracy@1
            value: 0.5510204081632653
            name: Cosine Accuracy@1
          - type: cosine_accuracy@3
            value: 0.7959183673469388
            name: Cosine Accuracy@3
          - type: cosine_accuracy@5
            value: 0.8979591836734694
            name: Cosine Accuracy@5
          - type: cosine_accuracy@10
            value: 0.9591836734693877
            name: Cosine Accuracy@10
          - type: cosine_precision@1
            value: 0.5510204081632653
            name: Cosine Precision@1
          - type: cosine_precision@3
            value: 0.26530612244897955
            name: Cosine Precision@3
          - type: cosine_precision@5
            value: 0.1795918367346939
            name: Cosine Precision@5
          - type: cosine_recall@1
            value: 0.5510204081632653
            name: Cosine Recall@1
          - type: cosine_recall@3
            value: 0.7959183673469388
            name: Cosine Recall@3
          - type: cosine_recall@5
            value: 0.8979591836734694
            name: Cosine Recall@5
          - type: cosine_ndcg@10
            value: 0.7617227811022508
            name: Cosine Ndcg@10
          - type: cosine_mrr@10
            value: 0.6980158730158731
            name: Cosine Mrr@10
          - type: cosine_map@100
            value: 0.6998188498457026
            name: Cosine Map@100

Thai Food Ingredients → Dish Prediction

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-mpnet-base-v2. 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: sentence-transformers/paraphrase-multilingual-mpnet-base-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Language: th
License: apache-2.0

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': 128, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (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("thai-food-mpnet-tuned")
# Run inference
sentences = [
    'นมเปรี้ยว, เยลลี่รวมรสผลไม้',
    'ไอศกรีมโยเกิร์ตเยลลี่ปีโป้',
    'ทองหยอด',
]
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]

Evaluation

Metrics

Information Retrieval

Dataset: thai-food-eval
Evaluated with InformationRetrievalEvaluator

Metric	Value
cosine_accuracy@1	0.551
cosine_accuracy@3	0.7959
cosine_accuracy@5	0.898
cosine_accuracy@10	0.9592
cosine_precision@1	0.551
cosine_precision@3	0.2653
cosine_precision@5	0.1796
cosine_recall@1	0.551
cosine_recall@3	0.7959
cosine_recall@5	0.898
cosine_ndcg@10	0.7617
cosine_mrr@10	0.698
cosine_map@100	0.6998

Training Details

Training Dataset

Unnamed Dataset

Size: 400 training samples
Columns: anchor and positive
Approximate statistics based on the first 400 samples:
anchor positive
type string string
details
min: 4 tokens
mean: 44.22 tokens
max: 105 tokens

min: 4 tokens
mean: 9.92 tokens
max: 24 tokens

	anchor	positive
type	string	string
details	min: 4 tokens mean: 44.22 tokens max: 105 tokens	min: 4 tokens mean: 9.92 tokens max: 24 tokens

Samples:

anchor	positive
`ผักกระเฉด, กุ้งผ่า, ปลากระป๋อง, พริกสด, หอมแดง, กระชาย, กระปิ, เกลือป่น, น้ำตาล, น้ำปลา, น้ำมะขามเปียก, มะนาว`	`แกงส้มผักกระเฉด`
`หมูสามชั้น, น้ำส้มสายชู, เกลือ, น้ำมันงา, กระเทียม, หอมแดง, รากผักชี, เต้าเจี้ยว, ซอสหอยนางรม, น้ำตาล, ซีอิ๊วดำ, น้ำซุป, นมสด, แป้งมัน, งาขาว`	`ข้าวหมูกรอบ`
`ซอสถั่วเหลืองจิ้ม, ไข่ไก่, เบคอน, ไส้กรอก, แฮม, ชาร้อน, น้ำสะอาด`	`ชุดอาหารเช้า`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

Size: 49 evaluation samples
Columns: anchor and positive
Approximate statistics based on the first 49 samples:
anchor positive
type string string
details
min: 8 tokens
mean: 43.39 tokens
max: 105 tokens

min: 5 tokens
mean: 9.39 tokens
max: 18 tokens

	anchor	positive
type	string	string
details	min: 8 tokens mean: 43.39 tokens max: 105 tokens	min: 5 tokens mean: 9.39 tokens max: 18 tokens

Samples:

anchor	positive
`เห็ด, กะปิ, น้ำปลา, ตะไคร้, หอมแดง, พริกขี้หนู, พริกแดง, ผักหวาน, ชะอม, ใบแมงลัก, ใบย่านาง, น้ำเปล่า, หน่อไม้`	`แกงเห็ดผักหวานใส่กะปิ`
`หมูสามชั้น, พริกไทย, กระเทียม, รากผักชี, อบเชย, ดอกจันทร์, ซีอิ้วขาว, ซีอิ้วดำ, น้ำตาลทราย, น้ำตาลปี๊บ, เกลือ, คนอร์`	`หมูฮ้อง`
`สะโพกไก่, เกลือ, พริกไทย, มันฝรั่ง, แครอท, แป้งสาลี, น้ำมัน, เนย, กระเทียม, หอม, ผงปรุงรส, ซอสมะเขือเทศ`	`สตูไก่ สูตรไม่ใส่เครื่องเทศ`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 24
per_device_eval_batch_size: 24
learning_rate: 5e-06
num_train_epochs: 16
warmup_ratio: 0.1
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
prediction_loss_only: True
per_device_train_batch_size: 24
per_device_eval_batch_size: 24
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-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: 16
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: True
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: 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	thai-food-eval_cosine_ndcg@10
0.5882	10	3.2903	-	-
1.0	17	-	2.3505	0.4150
1.1765	20	2.467	-	-
1.7647	30	1.9808	-	-
2.0	34	-	1.5080	0.6269
2.3529	40	1.6699	-	-
2.9412	50	1.3974	-	-
3.0	51	-	1.2515	0.6827
3.5294	60	1.1846	-	-
4.0	68	-	1.1762	0.6735
4.1176	70	1.1183	-	-
4.7059	80	1.001	-	-
5.0	85	-	1.1104	0.6995
5.2941	90	0.9919	-	-
5.8824	100	0.8285	-	-
6.0	102	-	1.0806	0.7152
6.4706	110	0.7873	-	-
7.0	119	-	1.0573	0.7333
7.0588	120	0.7359	-	-
7.6471	130	0.6526	-	-
8.0	136	-	1.0051	0.7566
8.2353	140	0.6004	-	-
8.8235	150	0.571	-	-
9.0	153	-	0.9988	0.7700
9.4118	160	0.5254	-	-
10.0	170	0.5119	1.0087	0.7590
10.5882	180	0.492	-	-
11.0	187	-	0.9756	0.77
11.1765	190	0.5334	-	-
11.7647	200	0.4395	-	-
12.0	204	-	0.9851	0.7707
12.3529	210	0.4362	-	-
12.9412	220	0.3905	-	-
13.0	221	-	1.0020	0.7578
13.5294	230	0.4388	-	-
14.0	238	-	0.9994	0.7563
14.1176	240	0.4594	-	-
14.7059	250	0.4502	-	-
15.0	255	-	1.0004	0.7631
15.2941	260	0.3539	-	-
15.8824	270	0.4144	-	-
16.0	272	-	0.9997	0.7617

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.12
Sentence Transformers: 4.1.0
Transformers: 4.52.2
PyTorch: 2.6.0+cu124
Accelerate: 1.7.0
Datasets: 2.14.4
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}
}