Hugging Face's logo

Leejy0-0
/
sbert-korean-triplet-mnr-v1

Sentence Similarity
sentence-transformers
Safetensors
bert
feature-extraction
Generated from Trainer
dataset_size:28003
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Model card Files Community

🔍 Model Overview

This model is a Korean Sentence-BERT fine-tuned with Triplet and MultipleNegativesRankingLoss.
It is optimized for semantic similarity search in Korean construction accident reports.

  • Architecture: SBERT (Korean BERT backbone)
  • Training: Triplet + MNR
  • Language: Korean
  • Use cases: semantic search, STS, dense retrieval

SentenceTransformer

This is a sentence-transformers model trained. 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
  • Maximum Sequence Length: 512 tokens
  • Output Dimensionality: 768 dimensions
  • Similarity Function: Cosine Similarity

Model Sources

Full Model Architecture 

SentenceTransformer(
  (0): Transformer({'max_seq_length': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (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("sentence_transformers_model_id")
# Run inference
sentences = [
    '21년 12월 11일(토) 17시 20분경, B/H 운전원 김**가 작업완료 후 운전석에서 내려오던 중 발이 미끄러지면서 복공판 상부로 넘어짐 (높이 1m) B/H 운전석 이탈 시 이동방법의 불량으로 인해 복공판 상부로 넘어짐운전석 발판을 통한 하차가 아닌 블레이드 경사판을 이용',
    '1층 실내 보 인테리어필름 작업 중, 근로자가 우마 다리 체결 상태를 정확하게 확인하지 않은 상태에서 우마 위에서 작업을 하다가 우마 다리가 접혀 넘어지면서 옆에 있던 우마 모서리에 코 부분을 부딪히는 사고 우마다리로 인한 넘어지면서 모서리에 코를 부딪힘',
    '2022년 05월 28일(토요일) 14시경 울산광역시 동구 일산동에 소재한 “스타벅스 울산 일산비치 D/T 신축공사” 현장에서 당사 직영 일용근로자인 최**(재해자)가 이동식 A형 사다리를 이용하여 1층 벽체 상부 타이 핀 제거 작업을 진행하는 과정에서 중심을 잃고 사다리와 함께 1.2M 정도의 높이에서 넘어져 우측 팔 부분에재해를 입는 사고가 발행하게 되었습니다. 사고 발생 후 울산대학교병원을 방문하여 진료 및 치료를 받았습니다. 이동식사다리를 이용한 작업중 넘어짐',
]
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

Unnamed Dataset

  • Size: 28,003 training samples
  • Columns: sentence_0 and sentence_1
  • Approximate statistics based on the first 1000 samples:
    sentence_0 sentence_1
    type string string
    details
    • min: 8 tokens
    • mean: 51.87 tokens
    • max: 334 tokens
    • min: 8 tokens
    • mean: 54.17 tokens
    • max: 325 tokens
  • Samples:
    sentence_0 sentence_1
    철근 가공작업중 철근을 가공대에 올리는 과정에서 2인1조 작업중 1인이 선행 철근을 내려놓음으로 인하여 오른손 약지 손가락이 철근과 지면에 부딪힘 발생 철근 가공작업 중 철근을 가공대에 올리는 과정에서 2인1조 작업중 1인이 선행 철근을 내려놓음으로 인하여 오른손 약지 손가락에 철근에 부딪힘 발생 철근 절단 작업 중 고속절단기에 손가락 베임 작업자의 작업부주위에 의한 손가락 베임사고 발생
    전일 타설 후 슬라브 먹매김 작업을 위해 허리를 굽혀 통로 인근에서 작업중 슬라브 양생을 위한 살수로 바닥이 미끄러워 균형을 잃고 넘어지며 수직 철근에 우측 턱에 열상 발생 1. 이동 중 주의력 부족2. 콘크리트 양생을 위해 지면 살수로 인한 미끄럼 현상 지하1층 시스템동바리 가새 해체작업후 옆으로 이동중(높이2.8m) 지면으로 떨어짐 시스템 동바리의 가새 해체 하고 이동 중 안전고리 미체결로 떨어짐
    철근 절단기 상부 작업 중 발을 헛디디면서 절단기계에 가슴을 부딪히며 갈비뼈 골절 절단기 상부에 자재를 내리기 위해 한 발을 단에 올리고 한발로 지지하던 중, 자재를 내리는 동작 중 발이 미끄러져 헛디디며 공구에 가슴을 부딪힘 아침 TBM 조회 후 지상2층 외부 주차장에서 철근가공 작업을 하기 위하여, 가공작업 중 부주의로 인하여 (우측 검지) 손가락을 절곡기계에 협착하여 사고가 발생함 아침 TBM 조회 후 지상2층 외부 주차장에서 철근가공 작업을 하기 위하여, 가공작업 중 부주의로 인하여 (우측 검지) 손가락을 절곡기계에 협착하여 사고가 발생함
  • Loss: MultipleNegativesRankingLoss with these parameters:
    {
    "scale": 20.0,
    "similarity_fct": "cos_sim"
}

Training Hyperparameters

Non-Default Hyperparameters

  • per_device_train_batch_size: 32
  • per_device_eval_batch_size: 32
  • num_train_epochs: 1
  • multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand
  • overwrite_output_dir: False
  • do_predict: False
  • eval_strategy: no
  • 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: 1
  • 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: 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: 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}
  • tp_size: 0
  • 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: batch_sampler
  • multi_dataset_batch_sampler: round_robin

Training Logs

Epoch Step Training Loss
0.5708 500 1.0036

Framework Versions

  • Python: 3.11.12
  • Sentence Transformers: 3.4.1
  • Transformers: 4.51.3
  • PyTorch: 2.6.0+cu124
  • Accelerate: 1.6.0
  • Datasets: 3.5.1
  • 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}
}
Downloads last month
2
Safetensors
Model size
111M params
Tensor type
F32
·
Inference Providers NEW
Sentence Similarity
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for Leejy0-0/sbert-korean-triplet-mnr-v1

Finetunes
1 model