This is a sentence-transformers model finetuned from sergeyzh/rubert-tiny-turbo. 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-tiny-turbo
Maximum Sequence Length: 2048 tokens
Output Dimensionality: 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 312, '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("denis-gordeev/reranker_dialog_items_biencoder_rubert-tiny-turbo-7")
# Run inference
sentences = [
    'Здравствуйте! Подскажите, пожалуйста, у вас есть наушники, которые подходят для профессионального использования при ремонте и тестировании техники? Желательно мониторные и с хорошим качеством звука.',
    "{'id': '9628c865-82ac-4c81-817d-5c414715af2d', 'externalId': '100052027418_149597', 'title': 'Проводные наушники Samsung EO-IC100 White', 'price': 1440.0, 'url': 'https://megamarket.ru/catalog/details/naushniki-mic-samsung-eo-ic100bwegru-white-type-c-100052027418_149597', 'imageLink': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/147/185/808/101/812/4/100052027418b0.jpg', 'description': '<p>Проводные наушники Samsung EO-IC100 White – это стильное устройство, которое обеспечивает качественное звучание любимых композиций.</p>\\n<h2>Погружение в музыку</h2>\\n<p>С помощью наушников пользователь может наслаждаться любимыми треками в любое время. Они оснащены встроенным микрофоном, который позволяет отвечать на звонки прямо во время прогулки или поездки. Другие технические параметры:</p>\\n<ul>\\n<li>Встроенный аккумулятор обеспечивает автономную работу устройства в течение восьми часов.</li>\\n<li>Закрытая конструкция наушников создает эффект полного погружения в музыку.</li>\\n<li>Динамические излучатели воспроизводят чистый и детализированный звук.</li>\\n</ul>\\n<p>Корпус выполнен из прочного пластика, а амбушюры – из мягкого силикона. Устройство удобно носить длительное время, оно не вызывает дискомфорта даже при активных движениях.</p>', 'rating': 4.4, 'reviewCount': 30, 'extraInfo': ''}",
    "{'long_web_name': 'Картридж для матричного принтера CACTUS CS-ERC27 (CS-ERC27) черный, совместимый', 'price': 263.0, 'url': 'https://megamarket.ru/catalog/details/kartridzh-dlya-matrichnogo-printera-cactus-cs-erc27-cs-erc27-chernyy-sovmestimyy-100030714541/', 'image_link': 'https://main-cdn.sbermegamarket.ru/mid9/hlr-system/-17/974/600/623/515/38/100030714541b0.jpg', 'id': '100030714541_14154', 'description': '', 'rating': 5.0, 'review_count': 1}",
]
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]

Evaluation

Metrics

Binary Classification

Dataset: item-classification
Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.947
cosine_accuracy_threshold	0.777
cosine_f1	0.8655
cosine_f1_threshold	0.7681
cosine_precision	0.7824
cosine_recall	0.9684
cosine_ap	0.7986
cosine_mcc	0.8402

Training Details

Training Dataset

Unnamed Dataset

Size: 49,285 training samples
Columns: anchor, text, and label
Approximate statistics based on the first 1000 samples:
anchor text label
type string string int
details
min: 19 tokens
mean: 35.78 tokens
max: 56 tokens
min: 55 tokens
mean: 352.41 tokens
max: 1356 tokens
0: ~85.90%
1: ~14.10%

Samples:

anchor	text	label
`Здравствуйте! Я хочу купить Smart-TV приставку для просмотра фильмов и видео. Можете посоветовать какие-то модели? Желательно, чтобы приставка была быстрая и поддерживала 4K.`	{'long_web_name': 'Смарт-приставка Xiaomi TV Box S 2nd Gen 2/8 черная (PFJ4167RU)', 'price': 6290.0, 'description': 'НОВИНКА 2023 ГОДА! 2-е поколение потокового медиаплеера Xiaomi TV Box S. ТВ приставка Xiaomi TV Box S 2nd Gen (PFJ4167RU). 4х ядерный процессор Cortex-A55 Графический процессор-ARM Mali G31 MP2 Dolby Vision 4K Ultra HDR 10+ Встроены Google TV и Google Assistant 360° Bluetooth и ИК-пульт дистанционного управления Двухдиапазонный Wi-Fi Качество изображения 4K Ultra HD Беспроводное дублирование экрана Улучшенный угол обзора', 'rating': 4.86, 'review_count': 919}	`1`
`Здравствуйте! Я хочу купить Smart-TV приставку для просмотра фильмов и видео. Можете посоветовать какие-то модели? Желательно, чтобы приставка была быстрая и поддерживала 4K.`	`{'long_web_name': 'Смартфон Honor Honor 90 12/512GB изумрудный зеленый (5109ATRU)', 'price': 40890.0, 'url': '[object Object]', 'image_link': '[object Object]', 'id': '100063902396_126519', 'description': '', 'rating': 4.86, 'review_count': 27}`	`0`
`Здравствуйте! Я хочу купить Smart-TV приставку для просмотра фильмов и видео. Можете посоветовать какие-то модели? Желательно, чтобы приставка была быстрая и поддерживала 4K.`	`{'long_web_name': 'Видеокарта MSI NVIDIA GeForce RTX 3060 Gaming X LHR', 'price': 39330.0, 'url': '[object Object]', 'image_link': '[object Object]', 'id': '100028302832_40440', 'description': '[object Object]\n\n[object Object]\n\n` `С видеокартой MSI NVIDIA GeForce RTX 3060 Gaming X вы сможете наслаждаться невероятно реалистичными и проработанными изображениями. Благодаря новейшему графическому процессору GA106 и объему видеопамяти 12 ГБ игры будут работать плавно и без лагов, а поддержка трассировки лучей ...`	`0`

Loss: ContrastiveLoss with these parameters:
json
1{ 2 "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE", 3 "margin": 0.5, 4 "size_average": true 5}

Evaluation Dataset

Unnamed Dataset

Size: 7,885 evaluation samples
Columns: anchor, text, and label
Approximate statistics based on the first 1000 samples:
anchor text label
type string string int
details
min: 7 tokens
mean: 23.9 tokens
max: 37 tokens
min: 56 tokens
mean: 365.94 tokens
max: 1356 tokens
0: ~85.70%
1: ~14.30%

Samples:

anchor	text	label
`Привет! Хочу купить фитнес-браслет для отслеживания шагов и сна. Может, что-то недорогое, но с хорошей функциональностью? Подскажете, какие есть варианты?`	`{'long_web_name': 'Фитнес-браслет HUAWEI Band 8, черный матовый', 'price': 2555.0, 'description': '[object Object]\n[object Object]\n[object Object]\n[object Object]\n[object Object]', 'rating': 4.94, 'review_count': 7...`	`1`
`Привет! Хочу купить фитнес-браслет для отслеживания шагов и сна. Может, что-то недорогое, но с хорошей функциональностью? Подскажете, какие есть варианты?`	`{'long_web_name': 'Видеокарта ASUS NVIDIA GeForce RTX 4090 TUF Gaming OC Edition (TUF-RTX4090-O24G-GAMING)', 'price': 296368.0, 'url': '[object Object]', 'image_link': '[object Object]', 'id': '100044516044_59182', 'description': '[object Object]\n[object Object]\n[object Object]\n` `\n` `Улучшенная поддержка трассировки лучей предоставля...`	`0`
`Привет! Хочу купить фитнес-браслет для отслеживания шагов и сна. Может, что-то недорогое, но с хорошей функциональностью? Подскажете, какие есть варианты?`	{'long_web_name': 'Встраиваемая варочная панель газовая Weissgauff HGG 640 BG черный', 'price': 16790.0, 'url': '[object Object]', 'image_link': '[object Object]', 'id': '100026765438_6061', 'description': 'Встраиваемая независимая газовая панель Weissgauff шириной 60 см, исполненная в закалённом чёрном стекле - это стильное и компактное решение для вашей кухни![object Object]Ширина 60 см это европейский стандарт качества, признанный миллионами довольных покупателей по всему миру![object Object]Чёрное закаленное стекло не только роскошно выглядит, подчеркивая великолепный внешний вид данной модели, но и отлично справляется с механическими воздействиями и температурными перегрузками![object Object]*Решетки из высококачественного чугуна это неизменное качество, надежность и долговечность, воплощенные в каждой детали! А особая элегантность их дизайна не тольк...	`0`

Loss: ContrastiveLoss with these parameters:
json
1{ 2 "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE", 3 "margin": 0.5, 4 "size_average": true 5}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 1
warmup_ratio: 0.1
fp16: True
load_best_model_at_end: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 16
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-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 1
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: 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: 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

Training Logs

Epoch	Step	Training Loss	Validation Loss	item-classification_cosine_ap
0	0	-	0.0237	0.4047
0.0649	100	0.0132	-	-
0.1298	200	0.0062	-	-
0.1622	250	-	0.0037	0.7734
0.1947	300	0.0053	-	-
0.2596	400	0.0053	-	-
0.3245	500	0.004	0.0043	0.7855
0.3894	600	0.0049	-	-
0.4543	700	0.0044	-	-
0.4867	750	-	0.0039	0.7641
0.5191	800	0.0039	-	-
0.5840	900	0.0043	-	-
0.6489	1000	0.0036	0.0035	0.7709
0.7138	1100	0.0042	-	-
0.7787	1200	0.0036	-	-
0.8112	1250	-	0.0036	0.7956
0.8436	1300	0.0038	-	-
0.9085	1400	0.0038	-	-
0.9734	1500	0.0032	0.0035	0.7986
1.0	1541	-	0.0035	0.7986

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.10.16
Sentence Transformers: 3.4.0.dev0
Transformers: 4.47.1
PyTorch: 2.5.1+cu124
Accelerate: 1.2.1
Datasets: 3.2.0
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",
}

ContrastiveLoss

bibtex

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}

	anchor	text	label
type	string	string	int
details	min: 19 tokens mean: 35.78 tokens max: 56 tokens	min: 55 tokens mean: 352.41 tokens max: 1356 tokens	0: ~85.90% 1: ~14.10%