|
|
--- |
|
|
tags: |
|
|
- sentence-transformers |
|
|
- sentence-similarity |
|
|
- feature-extraction |
|
|
- generated_from_trainer |
|
|
- dataset_size:1473 |
|
|
- loss:CosineSimilarityLoss |
|
|
base_model: sergeyzh/rubert-mini-frida |
|
|
widget: |
|
|
- source_sentence: А если я ИП или самозанятый, получу ли я софинансирование по ПДС? |
|
|
sentences: |
|
|
- Возможны программы 'Ипотека без ПВ под залог имеющегося жилья' или 'Нецелевой |
|
|
кредит под залог'. |
|
|
- В чем разница между именной и моментальной кредитной картой? |
|
|
- Да, ИП и самозанятые могут получать софинансирование по ПДС. |
|
|
- source_sentence: При расторжении договора ПДС сроком до 2 лет возвращается 100% |
|
|
внесенных средств. |
|
|
sentences: |
|
|
- Софинансирование по ПДС зависит от дохода... |
|
|
- Софинансирование по ПДС — это возможность получить финансовую поддержку от государства |
|
|
на личные взносы. |
|
|
- При расторжении договора ПДС сроком от 2 до 7 лет возвращается 100% внесенных |
|
|
средств и 100% дохода от инвестирования. |
|
|
- source_sentence: Страхование жизни и здоровья (Лайф) при ипотеке добровольное, но |
|
|
отказ может повлиять на ставку. |
|
|
sentences: |
|
|
- При выполнении определенных условий, участник ПДС имеет право на возврат подоходного |
|
|
налога до 88 000 рублей ежегодно... |
|
|
- В каких случаях необходимо нотариальное согласие супруга на передачу недвижимости |
|
|
в залог по ипотечному договору? |
|
|
- Оформление полиса страхования жизни и здоровья для ипотеки является добровольным, |
|
|
однако отказ от него может отразиться на процентной ставке. |
|
|
- source_sentence: Какие возможности есть для оплаты кредитной картой Сбера через |
|
|
Apple Pay или Google Pay? |
|
|
sentences: |
|
|
- Что представляет собой ипотека? |
|
|
- Кредитная карта Сбера выпускается на пластике международной платежной системы |
|
|
МИР. |
|
|
- Случаи применения двухвизитной схемы ипотечной сделки включают Военную ипотеку, |
|
|
объекты в залоге, нотариально удостоверяемые сделки, операции по доверенности, |
|
|
с участием нерезидентов, с предоставлением иного залога, а также ИЖС с использованием |
|
|
эскроу-счетов... |
|
|
- source_sentence: Что такое минимальная гарантированная ставка по вкладу? |
|
|
sentences: |
|
|
- Нужно ли предоставлять документы о доходах при оформлении ипотеки по программе |
|
|
'Отказ от финансовых документов'? |
|
|
- Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей |
|
|
другому лицу? |
|
|
- Минимальная гарантированная ставка указывается на первой странице договора вклада |
|
|
и определяет минимальный доход при хранении вклада до конца срока. |
|
|
pipeline_tag: sentence-similarity |
|
|
library_name: sentence-transformers |
|
|
metrics: |
|
|
- cosine_accuracy |
|
|
- cosine_accuracy_threshold |
|
|
- cosine_f1 |
|
|
- cosine_f1_threshold |
|
|
- cosine_precision |
|
|
- cosine_recall |
|
|
- cosine_ap |
|
|
- cosine_mcc |
|
|
model-index: |
|
|
- name: SentenceTransformer based on sergeyzh/rubert-mini-frida |
|
|
results: |
|
|
- task: |
|
|
type: binary-classification |
|
|
name: Binary Classification |
|
|
dataset: |
|
|
name: binary sts validation |
|
|
type: binary-sts-validation |
|
|
metrics: |
|
|
- type: cosine_accuracy |
|
|
value: 0.8157181571815718 |
|
|
name: Cosine Accuracy |
|
|
- type: cosine_accuracy_threshold |
|
|
value: 0.6679937839508057 |
|
|
name: Cosine Accuracy Threshold |
|
|
- type: cosine_f1 |
|
|
value: 0.8382978723404255 |
|
|
name: Cosine F1 |
|
|
- type: cosine_f1_threshold |
|
|
value: 0.5157450437545776 |
|
|
name: Cosine F1 Threshold |
|
|
- type: cosine_precision |
|
|
value: 0.7519083969465649 |
|
|
name: Cosine Precision |
|
|
- type: cosine_recall |
|
|
value: 0.9471153846153846 |
|
|
name: Cosine Recall |
|
|
- type: cosine_ap |
|
|
value: 0.8755934249907517 |
|
|
name: Cosine Ap |
|
|
- type: cosine_mcc |
|
|
value: 0.5938990835056142 |
|
|
name: Cosine Mcc |
|
|
--- |
|
|
|
|
|
# SentenceTransformer based on sergeyzh/rubert-mini-frida |
|
|
|
|
|
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida). It maps sentences & paragraphs to a 312-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:** [sergeyzh/rubert-mini-frida](https://huggingface.co/sergeyzh/rubert-mini-frida) <!-- at revision 32a82388a9f99c99eca74494731f7ee6e9a9fe3a --> |
|
|
- **Maximum Sequence Length:** 2048 tokens |
|
|
- **Output Dimensionality:** 312 dimensions |
|
|
- **Similarity Function:** Cosine Similarity |
|
|
<!-- - **Training Dataset:** Unknown --> |
|
|
<!-- - **Language:** Unknown --> |
|
|
<!-- - **License:** Unknown --> |
|
|
|
|
|
### 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel |
|
|
(1): Pooling({'word_embedding_dimension': 312, '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("George2002/duplicates_checker_v1") |
|
|
# Run inference |
|
|
sentences = [ |
|
|
'Что такое минимальная гарантированная ставка по вкладу?', |
|
|
'Минимальная гарантированная ставка указывается на первой странице договора вклада и определяет минимальный доход при хранении вклада до конца срока.', |
|
|
'Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей другому лицу?', |
|
|
] |
|
|
embeddings = model.encode(sentences) |
|
|
print(embeddings.shape) |
|
|
# [3, 312] |
|
|
|
|
|
# Get the similarity scores for the embeddings |
|
|
similarities = model.similarity(embeddings, embeddings) |
|
|
print(similarities.shape) |
|
|
# [3, 3] |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
### Direct Usage (Transformers) |
|
|
|
|
|
<details><summary>Click to see the direct usage in Transformers</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Downstream Usage (Sentence Transformers) |
|
|
|
|
|
You can finetune this model on your own dataset. |
|
|
|
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
</details> |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Out-of-Scope Use |
|
|
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
|
--> |
|
|
|
|
|
## Evaluation |
|
|
|
|
|
### Metrics |
|
|
|
|
|
#### Binary Classification |
|
|
|
|
|
* Dataset: `binary-sts-validation` |
|
|
* Evaluated with [<code>BinaryClassificationEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.BinaryClassificationEvaluator) |
|
|
|
|
|
| Metric | Value | |
|
|
|:--------------------------|:-----------| |
|
|
| cosine_accuracy | 0.8157 | |
|
|
| cosine_accuracy_threshold | 0.668 | |
|
|
| cosine_f1 | 0.8383 | |
|
|
| cosine_f1_threshold | 0.5157 | |
|
|
| cosine_precision | 0.7519 | |
|
|
| cosine_recall | 0.9471 | |
|
|
| **cosine_ap** | **0.8756** | |
|
|
| cosine_mcc | 0.5939 | |
|
|
|
|
|
<!-- |
|
|
## Bias, Risks and Limitations |
|
|
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
### Recommendations |
|
|
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
|
--> |
|
|
|
|
|
## Training Details |
|
|
|
|
|
### Training Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 1,473 training samples |
|
|
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code> |
|
|
* Approximate statistics based on the first 1000 samples: |
|
|
| | sentence1 | sentence2 | label | |
|
|
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------| |
|
|
| type | string | string | int | |
|
|
| details | <ul><li>min: 6 tokens</li><li>mean: 19.16 tokens</li><li>max: 58 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 21.22 tokens</li><li>max: 66 tokens</li></ul> | <ul><li>0: ~42.40%</li><li>1: ~57.60%</li></ul> | |
|
|
* Samples: |
|
|
| sentence1 | sentence2 | label | |
|
|
|:-------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------|:---------------| |
|
|
| <code>Какие средства не подлежат списанию по исполнительным документам?</code> | <code>Как погасить кредит, если счет арестован?</code> | <code>0</code> | |
|
|
| <code>В случае изменения реквизитов необходимо сообщить в Фонд не позднее 7 дней...</code> | <code>В случае изменения реквизитов необходимо сообщить в Фонд не позднее 10 дней...</code> | <code>0</code> | |
|
|
| <code>Как активировать карту Сбера, чтобы начать ей пользоваться?</code> | <code>После получения кредитной карты никаких дополнительных действий совершать не требуется, можно сразу ей пользоваться.</code> | <code>1</code> | |
|
|
* Loss: [<code>CosineSimilarityLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#cosinesimilarityloss) with these parameters: |
|
|
```json |
|
|
{ |
|
|
"loss_fct": "torch.nn.modules.loss.MSELoss" |
|
|
} |
|
|
``` |
|
|
|
|
|
### Evaluation Dataset |
|
|
|
|
|
#### Unnamed Dataset |
|
|
|
|
|
* Size: 369 evaluation samples |
|
|
* Columns: <code>sentence1</code>, <code>sentence2</code>, and <code>label</code> |
|
|
* Approximate statistics based on the first 369 samples: |
|
|
| | sentence1 | sentence2 | label | |
|
|
|:--------|:----------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:------------------------------------------------| |
|
|
| type | string | string | int | |
|
|
| details | <ul><li>min: 6 tokens</li><li>mean: 18.25 tokens</li><li>max: 47 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 20.62 tokens</li><li>max: 61 tokens</li></ul> | <ul><li>0: ~43.63%</li><li>1: ~56.37%</li></ul> | |
|
|
* Samples: |
|
|
| sentence1 | sentence2 | label | |
|
|
|:-----------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:---------------| |
|
|
| <code>Можно ли забрать деньги из программы долгосрочного сбережения ПДС?</code> | <code>Да, можно при достижении оснований (15 лет, возраст 55/60, особые ситуации) или досрочно согласно таблице выкупных сумм.</code> | <code>1</code> | |
|
|
| <code>Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 000 рублей.</code> | <code>Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 500 рублей.</code> | <code>0</code> | |
|
|
| <code>Закрыть вклад или счет можно в СберБанк Онлайн или в офисе Сбера; при досрочном закрытии срочного вклада теряются проценты.</code> | <code>Прекратить действие вклада или счета можно через интернет-банк СберБанк Онлайн либо в отделении банка; в случае досрочного закрытия срочного вклада начисленные проценты аннулируются.</code> | <code>1</code> | |
|
|
* Loss: [<code>CosineSimilarityLoss</code>](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`: 16 |
|
|
- `learning_rate`: 5e-06 |
|
|
- `num_train_epochs`: 10 |
|
|
- `warmup_ratio`: 0.1 |
|
|
- `load_best_model_at_end`: True |
|
|
- `batch_sampler`: no_duplicates |
|
|
|
|
|
#### All Hyperparameters |
|
|
<details><summary>Click to expand</summary> |
|
|
|
|
|
- `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`: 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-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`: 10 |
|
|
- `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 |
|
|
- `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 |
|
|
|
|
|
</details> |
|
|
|
|
|
### Training Logs |
|
|
| Epoch | Step | Training Loss | Validation Loss | binary-sts-validation_cosine_ap | |
|
|
|:------:|:----:|:-------------:|:---------------:|:-------------------------------:| |
|
|
| 0.2553 | 12 | 0.217 | - | - | |
|
|
| 0.5106 | 24 | 0.22 | - | - | |
|
|
| 0.7660 | 36 | 0.1985 | - | - | |
|
|
| 1.0213 | 48 | 0.2037 | - | - | |
|
|
| 1.0638 | 50 | - | 0.2223 | 0.7656 | |
|
|
| 1.2766 | 60 | 0.205 | - | - | |
|
|
| 1.5319 | 72 | 0.1976 | - | - | |
|
|
| 1.7872 | 84 | 0.2051 | - | - | |
|
|
| 2.0426 | 96 | 0.1796 | - | - | |
|
|
| 2.1277 | 100 | - | 0.2085 | 0.8037 | |
|
|
| 2.2979 | 108 | 0.1993 | - | - | |
|
|
| 2.5532 | 120 | 0.188 | - | - | |
|
|
| 2.8085 | 132 | 0.1925 | - | - | |
|
|
| 3.0638 | 144 | 0.2108 | - | - | |
|
|
| 3.1915 | 150 | - | 0.1975 | 0.8317 | |
|
|
| 3.3191 | 156 | 0.1852 | - | - | |
|
|
| 3.5745 | 168 | 0.1796 | - | - | |
|
|
| 3.8298 | 180 | 0.1981 | - | - | |
|
|
| 4.0851 | 192 | 0.1917 | - | - | |
|
|
| 4.2553 | 200 | - | 0.1880 | 0.8486 | |
|
|
| 4.3404 | 204 | 0.192 | - | - | |
|
|
| 4.5957 | 216 | 0.1955 | - | - | |
|
|
| 4.8511 | 228 | 0.1688 | - | - | |
|
|
| 5.1064 | 240 | 0.1741 | - | - | |
|
|
| 5.3191 | 250 | - | 0.1799 | 0.8625 | |
|
|
| 5.3617 | 252 | 0.1762 | - | - | |
|
|
| 5.6170 | 264 | 0.1796 | - | - | |
|
|
| 5.8723 | 276 | 0.1786 | - | - | |
|
|
| 6.1277 | 288 | 0.177 | - | - | |
|
|
| 6.3830 | 300 | 0.1738 | 0.1739 | 0.8686 | |
|
|
| 6.6383 | 312 | 0.1826 | - | - | |
|
|
| 6.8936 | 324 | 0.1599 | - | - | |
|
|
| 7.1489 | 336 | 0.1844 | - | - | |
|
|
| 7.4043 | 348 | 0.1747 | - | - | |
|
|
| 7.4468 | 350 | - | 0.1702 | 0.8730 | |
|
|
| 7.6596 | 360 | 0.1742 | - | - | |
|
|
| 7.9149 | 372 | 0.1663 | - | - | |
|
|
| 8.1702 | 384 | 0.1658 | - | - | |
|
|
| 8.4255 | 396 | 0.1623 | - | - | |
|
|
| 8.5106 | 400 | - | 0.1676 | 0.8756 | |
|
|
|
|
|
|
|
|
### Framework Versions |
|
|
- Python: 3.11.2 |
|
|
- Sentence Transformers: 4.1.0 |
|
|
- Transformers: 4.49.0 |
|
|
- PyTorch: 2.5.1 |
|
|
- Accelerate: 1.5.2 |
|
|
- Datasets: 3.5.1 |
|
|
- Tokenizers: 0.21.0 |
|
|
|
|
|
## 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", |
|
|
} |
|
|
``` |
|
|
|
|
|
<!-- |
|
|
## Glossary |
|
|
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Authors |
|
|
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
|
--> |
|
|
|
|
|
<!-- |
|
|
## Model Card Contact |
|
|
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
|
--> |
