This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2. It maps sentences & paragraphs to a 384-dimensional dense vector space and can be used for retrieval.

Model Details

Model Description

Model Type: Sentence Transformer
Base model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 dimensions
Similarity Function: Cosine Similarity
Supported Modality: Text

Model Sources

Documentation: Sentence Transformers Documentation
Repository: Sentence Transformers on GitHub
Hugging Face: Sentence Transformers on Hugging Face

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'transformer_task': 'feature-extraction', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'last_hidden_state'}}, 'module_output_name': 'token_embeddings', 'architecture': 'BertModel'})
  (1): Pooling({'embedding_dimension': 384, 'pooling_mode': 'mean', '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'spesifikasi industri untuk jaringan kawasan pribadi (personal area networks atau pan) tanpa kabel. bluetooth menghubungkan dan dapat dipakai untuk melakukan tukar-menukar informasi di antara peralatan-peralatan. ',
    'bluetooth adalah perangkat yang menjadi media tukar menukar (menerima mengirim) informasi di antara peralatan eketronik. bluetooth merupakan media tanpa kabel. biasanya bluethooth digunakan untuk mengirim foto atau file antar handphone.',
    'lcd (liquid crystal display), cpu (central processing unit), gps (global positioning system)',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[1.0000, 0.4212, 0.1034],
#         [0.4212, 1.0000, 0.1189],
#         [0.1034, 0.1189, 1.0000]])

Evaluation

Metrics

Semantic Similarity

Dataset: val
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.9196
spearman_cosine	0.9021

Training Details

Training Dataset

Unnamed Dataset

Size: 358 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 100 samples:
sentence_0 sentence_1 label
type string string float
modality text text
details
min: 5 tokens
mean: 29.68 tokens
max: 128 tokens
min: 26 tokens
mean: 42.82 tokens
max: 67 tokens
min: 0.01
mean: 0.4
max: 1.0

Samples:

sentence_0	sentence_1	label
`alat yang dipakai untuk mengolah data menurut prosedur yang telah dirumuskan dimana komputer itu sendiri merupakan perangkat elektronik yang terdiri dari beberapa komponen yang saling bekerja sama membentuk sebuah sistem kerja yang dapat menjalankan pekerjaan secara otomatis berdasar urutan instruksi ataupun program yang diberikan kepadanya sehingga dapat menghasilkan suatu informasi berdasarkan program dan data yang ada.`	`komputer adalah rangkaian mesin elektronik yang dapat bekerja sama. sistem ini digunakan untuk memudahkan pekerjaan manusia. komputer bekerja otomatis berdasarkan urutan instruksi atau program yang diberikan.`	`0.29333333333333333`
`informasi yang dibutuhkan akan semakin cepat dan mudah di akses untuk kepentingan pendidikan. inovasi dalam pembelajaran semakin berkembang dengan adanya inovasi e-learning yang semakin memudahkan proses pendidikan. kemajuan tik juga akan memungkinkan berkembangnya kelas virtual atau kelas yang berbasis teleconference yang tidak mengharuskan sang pendidik dan peserta didik berada dalam satu ruangan.`	`- memperluas pemasaran sehingga tidak mempermasalahkan jarak dan waktu - mengurangi biaya produksi, promosi - mempermudah penyimpanan data penjualan, data barang maupun laporan keuangan - menggantikan pekerjaan manual menjadi otomatis - proses produksi lebih cepat dan praktis`	`0.25666666666666665`
`bisnis berjalan cepat , dapat maju dengan peasat , banyak informasi yang di dapat`	`- memperluas pemasaran sehingga tidak mempermasalahkan jarak dan waktu - mengurangi biaya produksi, promosi - mempermudah penyimpanan data penjualan, data barang maupun laporan keuangan - menggantikan pekerjaan manual menjadi otomatis - proses produksi lebih cepat dan praktis`	`0.23`

Loss: CosineSimilarityLoss with these parameters:
json
1{ 2 "loss_fct": "torch.nn.modules.loss.MSELoss", 3 "cos_score_transformation": "torch.nn.modules.linear.Identity" 4}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
num_train_epochs: 4
per_device_eval_batch_size: 16
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

per_device_train_batch_size: 16
num_train_epochs: 4
max_steps: -1
learning_rate: 5e-05
lr_scheduler_type: linear
lr_scheduler_kwargs: None
warmup_steps: 0
optim: adamw_torch_fused
optim_args: None
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
optim_target_modules: None
gradient_accumulation_steps: 1
average_tokens_across_devices: True
max_grad_norm: 1
label_smoothing_factor: 0.0
bf16: False
fp16: False
bf16_full_eval: False
fp16_full_eval: False
tf32: None
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
torch_compile: False
torch_compile_backend: None
torch_compile_mode: None
use_liger_kernel: False
liger_kernel_config: None
use_cache: False
neftune_noise_alpha: None
torch_empty_cache_steps: None
auto_find_batch_size: False
log_on_each_node: True
logging_nan_inf_filter: True
include_num_input_tokens_seen: no
log_level: passive
log_level_replica: warning
disable_tqdm: False
project: huggingface
trackio_space_id: None
trackio_bucket_id: None
trackio_static_space_id: None
per_device_eval_batch_size: 16
prediction_loss_only: True
eval_on_start: False
eval_do_concat_batches: True
eval_use_gather_object: False
eval_accumulation_steps: None
include_for_metrics: []
batch_eval_metrics: False
save_only_model: False
save_on_each_node: False
enable_jit_checkpoint: False
push_to_hub: False
hub_private_repo: None
hub_model_id: None
hub_strategy: every_save
hub_always_push: False
hub_revision: None
load_best_model_at_end: False
ignore_data_skip: False
restore_callback_states_from_checkpoint: False
full_determinism: False
seed: 42
data_seed: None
use_cpu: False
accelerator_config: {'split_batches': False, 'dispatch_batches': None, 'even_batches': True, 'use_seedable_sampler': True, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
parallelism_config: None
dataloader_drop_last: False
dataloader_num_workers: 0
dataloader_pin_memory: True
dataloader_persistent_workers: False
dataloader_prefetch_factor: None
remove_unused_columns: True
label_names: None
train_sampling_strategy: random
length_column_name: length
ddp_find_unused_parameters: None
ddp_bucket_cap_mb: None
ddp_broadcast_buffers: False
ddp_static_graph: None
ddp_backend: None
ddp_timeout: 1800
fsdp: None
fsdp_config: None
deepspeed: None
debug: []
skip_memory_metrics: True
do_predict: False
resume_from_checkpoint: None
warmup_ratio: None
local_rank: -1
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	val_spearman_cosine
1.0	23	0.8524
2.0	46	0.8764
3.0	69	0.9021

Training Time

Training: 3.9 minutes

Framework Versions

Python: 3.12.13
Sentence Transformers: 5.5.1
Transformers: 5.12.0
PyTorch: 2.11.0+cu128
Accelerate: 1.14.0
Datasets: 4.0.0
Tokenizers: 0.22.2

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",
}

	sentence_0	sentence_1	label
type	string	string	float
modality	text	text
details	min: 5 tokens mean: 29.68 tokens max: 128 tokens	min: 26 tokens mean: 42.82 tokens max: 67 tokens	min: 0.01 mean: 0.4 max: 1.0

skripsiskripsi/myskripsisbert

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2