This is a sentence-transformers model finetuned from BAAI/bge-m3. It maps sentences & paragraphs to a 1024-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: BAAI/bge-m3
Maximum Sequence Length: 1024 tokens
Output Dimensionality: 1024 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': 1024, 'do_lower_case': False}) with Transformer model: XLMRobertaModel 
  (1): Pooling({'word_embedding_dimension': 1024, '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("seongil-dn/bge-m3-kor-retrieval-451949-bs64-finance-50")
# Run inference
sentences = [
    '빅데이터 활용의 증가로 인해 개인정보를 보호하기 위한 조치로 도입하려고 하는 건 뭐야?',
    'Ⅰ. 서론\n□ 최근 빅데이터(Big Data) 분석 등을 통해 다양한 사회적 유용성과 가치를 가지는 정보 산출(산업)에 관심이 높아지면서, 개인정보 보호규제가 장애요인으로 등장하고 있다는 평가로 인하여, 비식별화(de-identification) 또는 익명화(anonymization)를 통한 개인정보 활용의 필요성이 논의되고 있음 ○ 국내외 개인정보 보호법제들은 기본적으로 ‘개인 식별 가능성’을 판단 기준으로 하여 개인정보의 개념적 범위를 설정하여 이를 보호하는 체계를 가지고 있으며, 일반적으로 이러한 개인 식별 가능성을 제약 또는 제거하는 조치를 ‘비식별화’ 또는 ‘익명화’라고 표현함\n○ 우리나라뿐만 아니라, EU, 미국, 일본 등 주요 국가들도 빅데이터 등의 산업적 분석 및 활용 과정에서 발생하고 있는 문제점에 착안하여 개인정보 보호 법제 개선에 관한 논의를 진지하게 진행하고 있음 □ 국내외적으로 개인정보 ‘비식별화’ 또는 ‘익명화’, 그리고 그 법적 효과와 관련해서는 아직까지 확고한 개념정의 등이 존재하지 않는 상황이라고 할 수 있어, 관련 개념의 법적 활용에 있어 상당한 논란이 제기되고 있음 ○ ‘비식별화’는 특정 정보로부터 ‘개인 식별 가능성’을 제거하는 조치 및 과정을 의미하며, 종종 이러한 용어는 ‘익명화’와 동일한 의미로 사용됨\n- 비식별화라는 용어는 미국 등의 국가에서 주로 활용되고 있으며, 익명화 또는 익명가공이라는 용어는 EU 및 일본 등지에서 활용되고 있는 것으로 파악되지만, 대체적으로 두 용어가 혼용되고 있는 양상임',
    '□ 지난 2014년 1월 발생한 카드회사의 개인정보 유출사고 이후 개인정보의 보호 강화 및 정보유출 재발방지를 위한 제도개선 방안이 논의되어 「금융분야 개인정보 유출 재발방지 종합대책」이 마련되기도 하였음 ○ 이와 함께 2015년 7월 「개인정보보호법」이 개정되어 징벌적손해배상제도가 도입되고, 불법적인 개인정보 유통 등에 대한 제재수준이 강화되었음 □ 하지만 지난 카드사태의 개인정보 유출 사례와 같이 한번 유출된 정보는 회수가 불가능하고 사후적인 제재를 강화하는 것만으로는 금융소비자의 피해를 방지하는데 한계가 있을 수밖에 없음 ○ 이에 따라 정보의 수집, 제공, 유통, 관리 전반에서 있어서 금융회사의 개인정보에 대한 기술적‧관리적 보호체계의 실질적인 강화를 통한 금융사고 예방이 보다 중요하다고 할 수 있음 □ 한편 우리나라는 해외와 비교해보면 빅데이터 활용이 초기단계에 해당하지만, 인터넷전문은행 도입과 관련하여 빅데이터 활용에 대한 금융회사의 관심이 증가하고 있음 ○ 현재 빅데이터를 활성화하기 위해 「신용정보의 이용 및 보호에 관한 법률」 개정을 통해 개인신용정보의 개념을 보다 명확하게 정의하여 금융회사가 활용할 수 있는 비식별정보를 구분하는 방안이 추진되고 있음 □ 하지만 개인신용정보 중에서 식별화정보와 비식별화 정보를 명확히 구분하는 것이 현실적으로 쉽지 않으므로 빅데이터의 활성화를 위해 개인정보의 균형있는 보호와 활용이 필요한 시점임 ○ 특히 개인신용정보에서 개인을 식별할 수 없는 비식별정보를 구분하는 경우에도 동 정보의 이용 목적을 제한하고, 비식별정보의 재식별 방지를 위한 안전성 확보 방안 등을 마련할 필요가 있음',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 1024]

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

Training Details

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 64
learning_rate: 3e-05
num_train_epochs: 1
max_steps: 50
warmup_ratio: 0.05
fp16: True
batch_sampler: no_duplicates

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 64
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
torch_empty_cache_steps: None
learning_rate: 3e-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: 50
lr_scheduler_type: linear
lr_scheduler_kwargs: {}
warmup_ratio: 0.05
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: True
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
eval_use_gather_object: False
batch_sampler: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss
0.004	1	1.1692
0.008	2	1.0241
0.012	3	1.1237
0.016	4	0.9547
0.02	5	1.0183
0.024	6	0.9393
0.028	7	0.6666
0.032	8	0.7058
0.036	9	0.6336
0.04	10	0.5752
0.044	11	0.6901
0.048	12	0.6699
0.052	13	0.6184
0.056	14	0.5948
0.06	15	0.6546
0.064	16	0.5846
0.068	17	0.5892
0.072	18	0.5819
0.076	19	0.5602
0.08	20	0.5515
0.084	21	0.5359
0.088	22	0.5599
0.092	23	0.5104
0.096	24	0.4943
0.1	25	0.564
0.104	26	0.5545
0.108	27	0.4937
0.112	28	0.5283
0.116	29	0.512
0.12	30	0.552
0.124	31	0.5417
0.128	32	0.4607
0.132	33	0.4281
0.136	34	0.4764
0.14	35	0.5736
0.144	36	0.5312
0.148	37	0.4723
0.152	38	0.5169
0.156	39	0.4849
0.16	40	0.5347
0.164	41	0.48
0.168	42	0.4745
0.172	43	0.5061
0.176	44	0.5438
0.18	45	0.4942
0.184	46	0.5486
0.188	47	0.475
0.192	48	0.5054
0.196	49	0.3898
0.2	50	0.4726

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.2.1
Transformers: 4.44.2
PyTorch: 2.3.1+cu121
Accelerate: 1.1.1
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",
}

CachedMultipleNegativesRankingLoss

bibtex

@misc{gao2021scaling,
    title={Scaling Deep Contrastive Learning Batch Size under Memory Limited Setup},
    author={Luyu Gao and Yunyi Zhang and Jiawei Han and Jamie Callan},
    year={2021},
    eprint={2101.06983},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}