You can deploy this model and start earning money today!

Views

No views yet

pubmedbert-base-embeddings

Name: pubmedbert-base-embeddings-tr-pubmed-10k
Availability: InStock

This is a sentence-transformers model finetuned from NeuML/pubmedbert-base-embeddings on the pubmed_tr_10k dataset. 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
Base model: NeuML/pubmedbert-base-embeddings
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- pubmed_tr_10k
Language: tr
License: apache-2.0

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': 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.

python

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'Kuşlarda saldırganlık-ilişkili davranışlar. II. AA gen ürünlerinin hücresel ekspresyonu. B1-anti-B2 ve B2-anti-B1 allosera, sırasıyla, homozygot B1/1 ve B2/2 tavukların damar içi aşısı yoluyla, aşağıdaki kaynaklardan elde edilen B1/2 hücreleriyle immunizasyon sağlanarak üretildi: periferik kan lökositleri (PBL), eritrositler, timus hücreleri ve bursa hücreleri. Bu alloseralardan saflaştırılmış süspansiyonlar, hem kırmızı kan hücrelerini hem de orijinal verici türünün kan lenfositlerinin GVH reaktivitesini güçlü biçimde inhibe eden anti-B alloserumu antikorları üretti. Aynı dört kaynaktan hücreler kullanılarak yapılan sera emilim çalışmaları, bu antikorların GVH inhibisyonunu sağlayan antikorları tamamen uzaklaştırabildiğini gösterdi. Özellikle önemli bir gerçek, eritrositler ve lenfositlerde ortak olan B-haplotype belirlenmiş antijenlerin, daha önce tanımlandığı gibi (Simonsen 1975), allo-saldırganlık loci gen ürünlerini içeriyor olabileceğidir.',
    'B1-anti-B2 ve B2-anti-B1 alloseralardan elde edilen antikorların üretiminde hangi hücre kaynakları kullanılmıştır?',
    'Metinde incelenen hormon ile yağ hücrelerindeki adenilat siklaz sistemi arasındaki etkileşimin amacı nedir?',
]
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]

Evaluation

Metrics

Information Retrieval

Dataset: dim_768
Evaluated with InformationRetrievalEvaluator with these parameters:
json
1{ 2 "truncate_dim": 768 3}

Metric	Value
cosine_accuracy@1	0.8144
cosine_accuracy@3	0.8782
cosine_accuracy@5	0.9022
cosine_accuracy@10	0.9281
cosine_precision@1	0.8144
cosine_precision@3	0.2927
cosine_precision@5	0.1804
cosine_precision@10	0.0928
cosine_recall@1	0.8144
cosine_recall@3	0.8782
cosine_recall@5	0.9022
cosine_recall@10	0.9281
cosine_ndcg@10	0.8713
cosine_mrr@10	0.8531
cosine_map@100	0.8547

Training Details

Training Dataset

pubmed_tr_10k

Dataset: pubmed_tr_10k at 7c6016f
Size: 10,001 training samples
Columns: positive and anchor
Approximate statistics based on the first 1000 samples:
positive anchor
type string string
details
min: 43 tokens
mean: 401.5 tokens
max: 512 tokens
min: 15 tokens
mean: 44.33 tokens
max: 91 tokens

Samples:

positive	anchor
Bakteriyofaj P22'nin baz plaket parçalarının enzimik ve moleküler özellikleri. Substrat olarak 14C ile işaretlenmiş Salmonella bakteriyel hücreleri kullanılarak, P22 firkası baz plaket parçalarının enzimik ve moleküler özellikleri incelendi. Baz plaket parçası, Salmonella typhimurium, Salmonella schottmuellerie ve Salmonella typhi’nin O-antijenini kapsamlı şekilde kesen tek bir protein türünden oluşuyordu; ayrıcalıklı olarak Salmonella typhimurium ve Salmonella schottmuellerie’nin O-antijenini, Salmonella typhi’den biraz daha yavaş bir hızda kesiyor ve indirgenmiş uçta rhamnose bulunan oligoşaride ürünler salıyordu. P22’ya lizogenik olan bir Salmonella typhimurium suşunda ise çok daha az kesme gerçekleşti ve Salmonella anatum, Salmonella newington ve Salmonella minneapolis üzerinde ise anlamlı bir reaksiyon gözlenmedi. Baz plaket parçası enzim, çok ısıya dayanıklı bir protein olup, 85 derece C’de 5 dakika boyunca muamele sonrası sadece %10-20 kayıp gözlemlendi. Enzimin pH optimali yakl...	`P22 baz plaket parçasının enzimik özellikleri nelerdir ve hangi substratları keser?`
Fare T ve B lenfositlerinin nakil karşıtı reaksiyona katılımı. CBA farelerinin dalak veya lenf nodu hücreleri, kısmi dozda ışınlanmış (CBAXC57BL/6)F1 farelerine nakledildi; bu, nakil karşıtı reaksiyonun (GVHR) gelişmesine neden oldu. Lenfositler, fare T ve B lenfositlerine karşı spesifik serumlar ile in vitro muamele edildikten sonra bu reaksiyonu gerçekleştirme yeteneklerini kaybetti. Görünüşe göre, farelerde GVHR'nin gelişimi, T ve B lenfositlerinin işbirlikçi etkileşimiyle bağlantılıydı.	`Farelerde nakil karşıtı reaksiyonun (GVHR) gelişmesi hangi hücrelerin katılımıyla ilişkilidir?`
2,3-diphosphoglycerat'in insan kanındaki tamponlama özellikleri üzerindeki etkisi: kırmızı kan hücresi zarının rolü. İnsan kanının tamponlama özellikleri ve hücre dışı ile hücre içi pH (deltapHi/deltapHe) arasındaki ilişkinin eğimi (eğimi) üzerindeki 2,3-diphosphoglycerat (2,3-DPG, 0.5-21 mikromol/g hücre) konsantrasyonunun etkisi incelendi. Sonuçlar, 2,3-DPG'nin Donnan oranı rH+ = H+e/H+i üzerindeki etkisiyle ilgili önceki bulgularla bağlantılı olarak değerlendirildi. deltapHi/deltapHe değeri, kırmızı kan hücresindeki 2,3-DPG miktarının artmasıyla ve ekstrasellüler pH'nın yükselmesiyle azalmaktadır. deltapHi/deltapHe ile rH+ birbirine aşağıdaki ampirik denklemle bağlanabilir: deltapHi/deltapHe = 1 + log rH+ = 1 + pHi - pHe. Bu denklemin geçerliliği, Donnan oranı rH+'nin 0.3 ile 1 arasında değiştiği koşullarla sınırlı görünmektedir; bu değişiklikler ya 2,3-DPG gibi tamponlayıcı anyonların kırmızı kan hücrelerindeki konsantrasyonundaki değişiklikler ya da ekzosellüler pH'daki değişiklik...	`2,3-diphosphoglycerat (2,3-DPG) konsantrasyonunun artması kırmızı kan hücresinde deltapHi/deltapHe değerine nasıl etki eder?`

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: epoch
per_device_train_batch_size: 32
per_device_eval_batch_size: 16
gradient_accumulation_steps: 16
learning_rate: 2e-05
num_train_epochs: 5
lr_scheduler_type: cosine
warmup_ratio: 0.1
bf16: True
tf32: True
load_best_model_at_end: True
optim: adamw_torch_fused
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: epoch
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: 16
eval_accumulation_steps: None
torch_empty_cache_steps: None
learning_rate: 2e-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: 5
max_steps: -1
lr_scheduler_type: cosine
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: True
fp16: False
fp16_opt_level: O1
half_precision_backend: auto
bf16_full_eval: False
fp16_full_eval: False
tf32: True
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_fused
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
hub_revision: None
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
liger_kernel_config: None
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	dim_768_cosine_ndcg@10
0.5112	10	1.2023	-
1.0	20	0.2711	0.8182
1.5112	30	0.1766	-
2.0	40	0.1464	0.8500
2.5112	50	0.1112	-
3.0	60	0.0984	0.8614
3.5112	70	0.087	-
4.0	80	0.0791	0.8691
4.5112	90	0.0811	-
5.0	100	0.0726	0.8713

The bold row denotes the saved checkpoint.

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.53.1
PyTorch: 2.6.0+cu124
Accelerate: 1.8.1
Datasets: 4.0.0
Tokenizers: 0.21.2

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",
}

MultipleNegativesRankingLoss