AhmedBadawy11/bge-base-ar-v1.5-finetuned

SentenceTransformer based on BAAI/bge-base-en-v1.5

This is a sentence-transformers model finetuned from BAAI/bge-base-en-v1.5. 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: BAAI/bge-base-en-v1.5
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 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': 512, 'do_lower_case': True}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, '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.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("AhmedBadawy11/bge-base-ar-v1.5-finetuned")
# Run inference
sentences = [
    'محلياً، ليفربول هو ثاني أكثر الأندية الإنجليزية فوزاً بلقب الدوري بـ18 بطولة متأخراً عن مانشستر يونايتد ببطولتين الذي فاز بلقب بالدوري 20 مرة. أيضاً حصل ليفربول على بطولة دوري لانكشاير وحيدة في عام 1892، وفاز بلقب الدوري الدرجة الثانية 4 مرات. أما على مستوى الكؤوس فقد حصد الفريق على 15 لقباً في كأس الدرع الخيرية، و 7 ألقاب في كأس الإتحاد الإنجليزي، و 8 ألقاب في كأس الرابطة الإنجليزية. ليصبح بذلك مجموع بطولاته المحلية حوالي 54 لقباً. بعد تأسيس النادي ليفربول في عام 1892، شارك في دوري كرة القدم في السنة التي تلتها. وتعتبر الفترة الأكثر نجاحاً لليفربول كانت في السبعينات و الثمانينات، عندما قاد بيل شانكلي وبوب بيزلي النادي لتحقيق أحد عشر لقب دوري و سبع كؤوس أوربية. ليفربول لديه منافسات طويلة مع جاره إيفرتون ومانشستر يونايتد. يلعب الفريق بالملابس الحمراء منذ عام 1964 عندما غير بيل شانكلي ملابس الفريق من القميص الأحمر و السروال الأبيض إلى اللون الأحمر. نشيد النادي هو "لن تسير لوحدك أبدا" والتي يقوم الجمهور بغنائها قبل بداية كل مباراة على أرضه. يلعب النادي في ملعبه الأنفيلد منذ تأسيسه.',
    'في كم من بطولة  فاز نادي ليفيربول بلقب الدوري؟',
    'متى فاز المنتخب الايطالى بالبطولة مرتين متتاليتين؟',
]
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]

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,193 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 129 tokens mean: 367.5 tokens max: 512 tokens	min: 8 tokens mean: 29.93 tokens max: 73 tokens

• Samples:

  positive	anchor
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- من هو جمال أحمد حمزة خاشقجي؟
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- متى ولد جمال أحمد حمزة خاشقجي وتوفي؟ ال
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- في أي مدينة ولد جمال أحمد حمزة خاشقجي؟ ال

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Evaluation Dataset

Unnamed Dataset

• Size: 202 evaluation samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 156 tokens mean: 386.96 tokens max: 512 tokens	min: 8 tokens mean: 29.01 tokens max: 63 tokens

• Samples:

  positive	anchor
  حمزة بن عبد المطلب الهاشمي القرشي صحابي من صحابة رسول الإسلام محمد، وعمُّه وأخوه من الرضاعة وأحد وزرائه الأربعة عشر، وهو خير أعمامه لقوله: «خَيْرُ إِخْوَتِي عَلِيٌّ، وَخَيْرُ أَعْمَامِي حَمْزَةُ رَضِيَ اللَّهُ عَنْهُمَا».	بما وصفه رسول الله؟
  أسلم حمزة في السنة الثانية من بعثة النبي محمد، فلمَّا أسلم علمت قريش أن الرسولَ محمداً قد عز وامتنع وأن حمزة سيمنعه، فكفّوا عن بعض ما كانوا ينالون منه. ثم هاجر حمزة إلى المدينة المنورة، فآخى الرسولُ بينه وبين زيد بن حارثة. وكان أولُ لواء عقده الرسولُ محمدٌ هو اللواءَ الذي عقده لحمزة، وشهد حمزةُ غزوة بدر، وقَتَلَ فيها شيبة بن ربيعة مبارزةً، وقتل غيرَه كثيراً من المشركين، كما شهد غزوة أحد، فقُتل بها سنة 3هـ، وكان قد قَتَلَ من المشركين قبل أن يُقتل واحداً وثلاثين نفساً، وكان الذي قتله هو وحشي بن حرب الحبشي غلامُ جبير بن مطعم، ومثَّل به المشركون، وبقرت هند بنت عتبة بطنَه فأخرجت كبده، فجعلت تلوكها فلم تسغها فلفظتها، فقال الرسولُ محمدٌ: ، وخرج الرسولُ يلتمس حمزة، فوجده ببطن الوادي قد مُثِّل به، فلم ير منظراً كان أوجع لقلبه منه فقال: . ودفن حمزة وابن أخته عبد الله بن جحش في قبر واحد.	و ماذا فعل فى غزوة بدر؟
  القمر هو القمر الطبيعي الوَحيد للأرض بالإضافة إلى أنه خامس أكبر قمرٍ طبيعيٍ في المجموعة الشمسية. فهو يُعَدُ أكبر قمرٍ طبيعيٍ في المجموعة الشمسية من ناحية نسبة حجمه إلى كوكبه التابع له، حيث أن قطره يصل إلى ربع قطر الأرض، كما أن كتلته تصل إلى 1 على 81 من كتلة الأرض، هذا بالإضافة إلى أنه يُعَدُ ثاني أعلى قمرٍ من ناحية الكثافة بعد قمر إيو. هذا ويتسم القمر الأرضي حركته التزامنية مع كوكبه (الأرض)، عارضاً دائماً الوجه نفسه؛ حيث يتميز الجانب القريب بمنطقةٍ بركانيةٍ منخفضةٍ مظلمةٍ، والتي تقع فيما بين مرتفعات القشرة الأرضية القديمة البراقة والفوهات الصدمية الشاهقة. كما يُلاحظ أن القمر الأرضي هو أكثر جسمٍ لامعٍ في السماء ليلاً، وعموماً هو الجسم الأكثر لمعاناً بعد الشمس، وهذا على الرغم من أن سطحه معتم جداً، حيث أن له انعكاساً مماثلاً للفحم. كان بروز القمر في السماء المظلمة ليلاً، ودورته المنتظمة الأطوار (المراحل) قد جعل له على مر العصور القديمة تأثيراً ثقافياً هاماً على كلٍ من اللغة، التقويم القمري، ، والأساطير القديمة، المتمثلة في آلهة القمر والتي منها عبر الحضارات: "خونسو" في الديانة المصرية القديمة، "تشانغ" في الحضارة الصينية وكذلك "ماما قيلا" في حضارة الإنكا. ومن السمات الكامنة للقمر كذلك، تأثير جاذبيته التي تسفر عن وقوع عمليتي مد وجزر المحيطات وإطالة الدقيقة (نتيجة تسارع المد والجزر) لليوم. مع ملاحظة أن المسافة المدارية الحالية للقمر، والتي تُقَدَرُ بثلاثين مرةٍ قدر قطر الكرة الأرضية، تتسبب في أن يبدو القمر أغلب الوقت بنفس حجمه دون تغيير في السماء كما هو الحال مع الشمس، مما يسمح له (القمر) بأن يغطي الشمس بصورةٍ شبه تامةٍ في ظاهرة الكسوف الكلي للشمس.	كم المسافة المدارية للقمر؟

• Loss: MultipleNegativesRankingLoss with these parameters:

  {
      "scale": 20.0,
      "similarity_fct": "cos_sim"
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 30
• warmup_ratio: 0.1
• fp16: 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: 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: 2e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 30
• 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: 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: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	loss
0.7143	50	1.8594	-
1.4	100	1.4656	1.4937
2.0857	150	1.341	-
2.8	200	1.1444	1.5586
3.4857	250	0.9108	-
4.1714	300	0.8002	1.8091
4.8857	350	0.7166	-
5.5714	400	0.5053	1.9486
6.2571	450	0.5315	-
6.9714	500	0.4235	1.8879
7.6571	550	0.3278	-
8.3429	600	0.2581	1.9823
9.0286	650	0.2086	-
9.7429	700	0.1924	2.2867
10.4286	750	0.1868	-
11.1143	800	0.1407	2.3309
11.8286	850	0.0886	-
12.5143	900	0.0818	2.4801
13.2	950	0.0592	-
13.9143	1000	0.0436	2.4795
14.6	1050	0.033	-
15.2857	1100	0.0402	2.3954
16.0	1150	0.0173	-
16.6857	1200	0.0129	2.5721
17.3714	1250	0.0092	-
18.0571	1300	0.0062	2.7104
18.7714	1350	0.004	-
19.4571	1400	0.0048	2.6302
20.1429	1450	0.0024	-
20.8571	1500	0.0022	2.7479
21.5429	1550	0.0026	-
22.2286	1600	0.002	2.7710
22.9429	1650	0.0012	-
23.6286	1700	0.0025	2.8215
24.3143	1750	0.0013	-
25.0286	1800	0.0012	2.8204
25.7143	1850	0.001	-
26.4	1900	0.0008	2.7807
27.0857	1950	0.0008	-
27.8	2000	0.0007	2.7852
28.4857	2050	0.0008	-
29.1714	2100	0.0006	2.7865
1.1136	50	0.0836	-
2.2273	100	0.0707	3.0166
3.3409	150	0.0475	-
4.4545	200	0.0445	2.9946
5.5682	250	0.0356	-
6.6818	300	0.0152	3.0658
7.7955	350	0.0119	-
0.5747	50	0.0086	-
1.1494	100	0.004	2.5749
1.7241	150	0.0019	-
2.2989	200	0.0011	2.5823
2.8736	250	0.0014	-
3.4483	300	0.001	2.5131
4.0230	350	0.0009	-
4.5977	400	0.0006	2.6015
5.1724	450	0.0008	-
5.7471	500	0.0005	2.6230
6.3218	550	0.0049	-
6.8966	600	0.0004	2.7468
7.4713	650	0.0004	-
8.0460	700	0.0004	2.8550
8.6207	750	0.0004	-
9.1954	800	0.0003	2.7715
9.7701	850	0.0002	-
10.3448	900	0.0002	2.7766
10.9195	950	0.0002	-
11.4943	1000	0.0002	2.7591
12.0690	1050	0.0002	-
12.6437	1100	0.0001	2.8042
13.2184	1150	0.0002	-
13.7931	1200	0.0001	2.7808
14.3678	1250	0.0002	-
14.9425	1300	0.0001	2.8014
15.5172	1350	0.0001	-
16.0920	1400	0.0001	2.8210
16.6667	1450	0.0001	-
0.3333	50	0.0001	-
0.6667	100	0.5517	2.7122
1.0	150	1.6965	-
1.3333	200	0.001	2.0810
1.6667	250	0.2513	-
2.0	300	0.9902	1.6166
2.3333	350	0.0014	-
2.6667	400	0.115	1.9114
3.0	450	0.4511	-
3.3333	500	0.002	1.8573
3.6667	550	0.0431	-
4.0	600	0.1999	1.6124
4.3333	650	0.0019	-
4.6667	700	0.0497	1.8718
5.0	750	0.1246	-
5.3333	800	0.0017	1.8478
5.6667	850	0.0109	-
6.0	900	0.0483	1.7342
6.3333	950	0.0024	-
6.6667	1000	0.0086	1.8704
7.0	1050	0.0384	-
7.3333	1100	0.0011	1.8326
7.6667	1150	0.0036	-
8.0	1200	0.024	1.8500
8.3333	1250	0.0009	-
8.6667	1300	0.0055	1.8877
9.0	1350	0.0085	-
9.3333	1400	0.0007	1.9404
9.6667	1450	0.0024	-
10.0	1500	0.0041	1.9150
10.3333	1550	0.0006	-
10.6667	1600	0.0013	1.8994
11.0	1650	0.0033	-
11.3333	1700	0.0004	1.8311
11.6667	1750	0.0014	-
12.0	1800	0.0021	1.9934
12.3333	1850	0.0003	-
12.6667	1900	0.0009	2.0044
13.0	1950	0.0015	-
13.3333	2000	0.0004	1.8513
13.6667	2050	0.0006	-
14.0	2100	0.001	1.9651
14.3333	2150	0.0003	-
14.6667	2200	0.0006	1.9487
15.0	2250	0.0007	-
15.3333	2300	0.0003	1.9379
15.6667	2350	0.0004	-
16.0	2400	0.0009	1.8542
16.3333	2450	0.0002	-
16.6667	2500	0.0022	1.8877
17.0	2550	0.0009	-
17.3333	2600	0.0003	1.9211
17.6667	2650	0.0005	-
18.0	2700	0.0005	1.9077
18.3333	2750	0.0002	-
18.6667	2800	0.0004	1.8729
19.0	2850	0.0006	-
19.3333	2900	0.0002	1.9024
19.6667	2950	0.0003	-
20.0	3000	0.0005	1.9126
20.3333	3050	0.0002	-
20.6667	3100	0.0003	1.8753
21.0	3150	0.0004	-
21.3333	3200	0.0002	1.8870
21.6667	3250	0.0003	-
22.0	3300	0.0005	1.9221
22.3333	3350	0.0002	-
22.6667	3400	0.0002	1.9221
23.0	3450	0.0004	-
23.3333	3500	0.0001	1.9080
23.6667	3550	0.0002	-
24.0	3600	0.0003	1.9192
24.3333	3650	0.0001	-
24.6667	3700	0.0002	1.9218
25.0	3750	0.0003	-
25.3333	3800	0.0001	1.9277
25.6667	3850	0.0002	-
26.0	3900	0.0003	1.9338
26.3333	3950	0.0001	-
26.6667	4000	0.0002	1.9307
27.0	4050	0.0003	-
27.3333	4100	0.0001	1.9302
27.6667	4150	0.0002	-
28.0	4200	0.0002	1.9271
28.3333	4250	0.0002	-
28.6667	4300	0.0002	1.9231
29.0	4350	0.0003	-
29.3333	4400	0.0002	1.9279
29.6667	4450	0.0002	-
30.0	4500	0.0003	1.9273

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.1+cu121
• Accelerate: 0.27.0
• Datasets: 2.21.0
• Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers

@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

@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}
}