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 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-MiniLM-L12-v2
Maximum Sequence Length: 128 tokens
Output Dimensionality: 384 tokens
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': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("Mykes/med-MiniLM-L12-v2")
# Run inference
sentences = [
    'Запрос: \n\nУ меня наблюдаются  нерегулярные месячные.  Какие методы диагностики и лечения  этих проблем существуют? \n',
    'стоимость приема от: 4900 руб (высокая стоимость приема); стаж: 8 лет; специальность: гинеколог; пациенты: взрослые; тип приёма: в клинике; клиника: клинико-диагностический центр медси на солянке; красносельская, лубянка, китай-город, цветной бульвар; ; специализация: ведение беременности подбор метода контрацепции, планирование и подготовка к беременности, в том числе введение и извлечение любых видов внутриматочной спирали заболеваний шейки матки кольпоскопия, лечение шейки матки с применением радиоволновых методов сургитрон лечение патологии эндометрия, биопсия шейки матки, папиллом радиоволновой метод выполнение магнитотерапии влагалища при заболеваниях женских половых органов, аспирационная биопсия эндометрия пайпельбиопсия гистероскопия с раздельным диагностическим выскабливанием удаление полипов эндометрия',
    'высокая стоимость приема; стаж: 21 год; тип приёма: в клинике; клиника: gms clinic на смоленской; смоленская, киевская; венеролог, дерматолог, дерматовенеролог; специализация: лишаи различных типов псориаз дерматит аллергический, контактный, нейродермит акне угрей экзема розацеа себорея вирусных заболеваний кожи паппиломы, герпес микозов грибковых заболеваний кожи, атопический, бородавки',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Training Details

Training Dataset

Unnamed Dataset

Size: 1,500 training samples
Columns: anchor and positive
Approximate statistics based on the first 1000 samples:
anchor positive
type string string
details
min: 15 tokens
mean: 38.47 tokens
max: 128 tokens
min: 63 tokens
mean: 118.31 tokens
max: 128 tokens

Samples:

anchor	positive
`Какие препараты назначают при эндометриозе, и как они влияют на мое состояние? [object Object]`	стоимость приема от: 5000 руб (высокая стоимость приема); стаж: 46 лет; квалификация: врач высшей категории; пациенты: взрослые; тип приёма: в клинике; клиника: многопрофильная клиника союз; электрозаводская, сокольники; гинеколог, гинеколог-эндокринолог; специализация: амбулаторная гинекология
`У моего ребенка часто возникают аллергические реакции, в том числе на укусы насекомых и некоторые продукты. Какие препараты можно использовать для лечения и профилактики аллергии у детей, и как определить, какая аллергия является наиболее серьезной? [object Object][object Object]`	стоимость приема от: 9000 руб (высокая стоимость приема); стаж: 41 год; звание: профессор; учёная степень: доктор медицинских наук; пациенты: дети; тип приёма: в клинике; клиника: медгород чистые пруды; тургеневская, сретенский бульвар, чистые пруды; аллерголог, иммунолог; специализация: так и с отклонениями здоровья, бронхиальная астма аллергический ринит насморк аллергический конъюнктивит крапивница в тч острая и хроническая атопический, инсектная аллергия на укусы насекомых вич и иммунодефицитные состояния цитомегаловирусные инфекции герпесвирусные инфекции дисфункции иммунной системы частые простудные заболевания ведение детей как здоровых, контактный дерматит пищевая, лекарственная, в том числе
`У меня появились высыпания на коже, какие процедуры в вашем центре помогут их избавиться и как их можно избежать в будущем? [object Object]`	стоимость приема от: 3200 руб (средняя стоимость приема); стаж: 5 лет; пациенты: взрослые; тип приёма: в клинике; клиника: центр медицины и косметологии balance; варшавская, дубровка, нагатинская, москворечье; венеролог, дерматолог, косметолог, дерматовенеролог; специализация: инъекционная, неинвазивная, аппаратная

Loss: MultipleNegativesRankingLoss with these parameters:
json
1{ 2 "scale": 20.0, 3 "similarity_fct": "cos_sim" 4}

Training Hyperparameters

Non-Default Hyperparameters

num_train_epochs: 10.0

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 8
per_device_eval_batch_size: 8
per_gpu_train_batch_size: None
per_gpu_eval_batch_size: None
gradient_accumulation_steps: 1
eval_accumulation_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: 10.0
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}
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: False
hub_always_push: False
gradient_checkpointing: False
gradient_checkpointing_kwargs: None
include_inputs_for_metrics: False
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
batch_sampler: batch_sampler
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss
2.6596	500	0.0161
5.3191	1000	0.0382
7.9787	1500	0.0367

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.0.1
Transformers: 4.42.4
PyTorch: 2.4.0+cu121
Accelerate: 0.32.1
Datasets: 2.21.0
Tokenizers: 0.19.1

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",
}

MultipleNegativesRankingLoss

bibtex

@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}
}

	anchor	positive
type	string	string
details	min: 15 tokens mean: 38.47 tokens max: 128 tokens	min: 63 tokens mean: 118.31 tokens max: 128 tokens