metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:5749
  - loss:CosineSimilarityLoss
widget:
  - source_sentence: Tarihte Bugün, 2 Aralık
    sentences:
      - Tarihte Bugün, 23 Nisan
      - >-
        Penn Traffic hissesi Çarşamba gününün kapanışına göre 2 sent veya yüzde
        6,2 artışla Çarşamba gününü 36 sentten kapattı.
      - >-
        komşu kırgızistan da son yıllarda taliban destekli İslami militanlar
        tarafından baskınlar yaşadı.
  - source_sentence: >-
      Ada ülkesi, 22 Mayıs'ta bir günlük rekor 65 yeni vaka ve 23 Mayıs'ta 55
      yeni vaka bildirdi ve bu da Tayvan salgını dünyanın en hızlı büyüyen
      salgını haline getirdi.
    sentences:
      - >-
        Tayvan 22 Mayıs'ta bir günlük bir rekor olan 65 yeni vaka ve 23 Mayıs'ta
        55 yeni vaka bildirerek salgını dünyanın en hızlı büyüyen haline
        getirdi.
      - >-
        Çoğu, Columbus'taki Fort Benning'de bulunan bölümün 3. Tugay Savaş
        Ekibinden birkaç bin asker, Cuma gününe kadar devam eden uçuşlar ile
        geçen hafta geri dönmeye başladı.
      - >-
        tecavüzcü, hossein safarlou olarak tanımlandı ve ayrıca uyuşturucu
        kaçakçılığı yapmaktan mahkum edildi.
  - source_sentence: Bir kız tereyağını iki parçaya ayırıyor.
    sentences:
      - >-
        Obama ve O'Brien, DC Beyaz Saray Muhabirlerinin Akşam Yemeği
        Versiyonlarını Yayınladı
      - >-
        Redman, dokuz startının altısında iki veya daha az kazanılmış koşuya
        izin verdi.
      - Bir kadın tofu dilimliyor.
  - source_sentence: >-
      Elleri havada küçük bir kız, bir battaniyenin üzerinde uzanırken bir
      adamın sırtında oturuyor.
    sentences:
      - Bir köpek bir kutu yiyecek açar.
      - Deir Estia'daki 30 dönümlük Filistin topraklarına el koyma görevi
      - Bir çocuk oyun oynayan diğerlerinin tersi yönde koşar.
  - source_sentence: Mohamed Morsi, Eygptia cumhurbaşkanı olarak yemin etti
    sentences:
      - Mursi Mısır cumhurbaşkanı olarak yemin etti
      - Kahverengi bir ata binen kırmızı bir bluz giyen bir kız.
      - Rangers üçüncü ligde oy kullandı
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: SentenceTransformer
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: stsb dev
          type: stsb-dev
        metrics:
          - type: pearson_cosine
            value: 0.7132844559082108
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.7114905428018424
            name: Spearman Cosine

SentenceTransformer

This is a sentence-transformers model trained. 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
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
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': False}) with Transformer model: ModernBertModel 
  (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.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("sentence_transformers_model_id")
# Run inference
sentences = [
    'Mohamed Morsi, Eygptia cumhurbaşkanı olarak yemin etti',
    'Mursi Mısır cumhurbaşkanı olarak yemin etti',
    'Kahverengi bir ata binen kırmızı bir bluz giyen bir kız.',
]
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

Semantic Similarity

Dataset: stsb-dev
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.7133
spearman_cosine	0.7115

Training Details

Training Dataset

Unnamed Dataset

Size: 5,749 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 8 tokens
mean: 29.89 tokens
max: 121 tokens

min: 8 tokens
mean: 30.0 tokens
max: 130 tokens

min: 0.0
mean: 0.54
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 8 tokens mean: 29.89 tokens max: 121 tokens	min: 8 tokens mean: 30.0 tokens max: 130 tokens	min: 0.0 mean: 0.54 max: 1.0

Samples:

sentence_0	sentence_1	label
`Doktorlar, erkek çocuklardan birinin veya her ikisinin de ölebileceğini ve hayatta kalırlarsa bir miktar beyin hasarının mümkün olduğunu söylüyorlar.`	`Doktorlar, çocuklardan birinin veya her ikisinin de ölebileceğini ve hayatta kalırlarsa bazı beyin hasarlarının mümkün olduğunu söyledi.`	`1.0`
`Mecliste 103 Demokrat ve 47 Cumhuriyetçi var.`	`Demokratlar Meclise hakimken Cumhuriyetçiler Senatoyu kontrol ediyor.`	`0.4`
`üç küçük çocuk kendilerini baloncuklarla kapatır.`	`Havuz kenarında duran üç çocuk köpük köpükleriyle kaplıdır.`	`0.8400000000000001`

Loss: CosineSimilarityLoss with these parameters:

{
    "loss_fct": "torch.nn.modules.loss.MSELoss"
}

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
num_train_epochs: 1
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: steps
prediction_loss_only: True
per_device_train_batch_size: 32
per_device_eval_batch_size: 32
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: 5e-05
weight_decay: 0.0
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1
num_train_epochs: 1
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: None
hub_always_push: False
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
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
use_liger_kernel: False
eval_use_gather_object: False
average_tokens_across_devices: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	stsb-dev_spearman_cosine
1.0	180	0.7115

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.3.1
Transformers: 4.48.0.dev0
PyTorch: 2.5.1+cu124
Accelerate: 1.2.1
Datasets: 3.2.0
Tokenizers: 0.21.0

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",
}