--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:193915 - loss:CategoricalContrastiveLoss widget: - source_sentence: 科目：コンクリート。名称：均しｺﾝｸﾘｰﾄ。 sentences: - 科目：コンクリート。名称：設備基礎ｺﾝｸﾘｰﾄ。摘要：FC21N/mm2 ｽﾗﾝﾌﾟ18。備考：代価表 0036。 - 科目：コンクリート。名称：機械基礎ｺﾝｸﾘｰﾄ。摘要：FC21N/mm2 ｽﾗﾝﾌﾟ15。備考：代価表 0045。 - 科目：コンクリート。名称：ｺﾝｸﾘｰﾄ打設手間。摘要：防水保護ｺﾝ 人力打設工作物の基礎等 S15～S18- -。備考：代価表 0013。 - source_sentence: 科目：コンクリート。名称：均しｺﾝｸﾘｰﾄ。 sentences: - 科目：コンクリート。名称：普通ｺﾝｸﾘｰﾄ。摘要：JIS A5308 FC=21 S15粗骨材20膨張剤 ﾃﾞﾝｶﾊﾟﾜｰCSA20㎏/m2。備考：代価表 0061屋内土間ｺﾝｸﾘｰﾄ。 - 科目：コンクリート。名称：普通ｺﾝｸﾘｰﾄ。摘要：FC=24 S15粗骨材基礎部。備考：代価表 0065。 - 科目：タイル。名称：段床ﾀｲﾙ張り。 - source_sentence: 科目：コンクリート。名称：普通ｺﾝｸﾘｰﾄ。 sentences: - 科目：コンクリート。名称：ｺﾝｸﾘｰﾄ打設手間。摘要：捨てｺﾝｸﾘｰﾄ ﾎﾟﾝﾌﾟ打設30m3/回程度 S15～S18- 圧送費､基本料別途。備考：B0-434215 No.1 市場。 - 科目：コンクリート。名称：ｺﾝｸﾘｰﾄ打設手間。摘要：躯体 ﾎﾟﾝﾌﾟ打設50m3/回未満 S15～S18標準階高 圧送費､基本料別途。備考：B0-434215 3101新営地上部ｺﾝｸﾘｰﾄ。 - 科目：コンクリート。名称：普通ｺﾝｸﾘｰﾄ。摘要：JIS A5308 FC=21 S15粗骨材20。備考：B0-114112 No.1 参資基礎部ｺﾝｸﾘｰﾄ。 - source_sentence: 科目：コンクリート。名称：擁壁部ｺﾝｸﾘｰﾄ。 sentences: - 科目：コンクリート。名称：擁壁部ｺﾝｸﾘｰﾄ。摘要：FC36 S15粗骨材20 高性能AE減水剤躯体防水材 ﾍﾞｽﾄﾝA同等品以上。備考：代価表 0105。 - 科目：コンクリート。名称：ｺﾝｸﾘｰﾄ打設手間。摘要：躯体 ﾎﾟﾝﾌﾟ打設50m3/回未満 S15～S18標準階高 圧送費､基本料別途。備考：B0-434215 3101新営高流動ｺﾝｸﾘｰﾄ（免震下部基礎）。 - 科目：コンクリート。名称：免震下部ｺﾝｸﾘｰﾄ打設手間。摘要：基礎部 ﾎﾟﾝﾌﾟ打設100m3/回以上 S15～S18- 圧送費､基本料別途。備考：代価表 0115。 - source_sentence: 科目：タイル。名称：階段蹴上ﾀｲﾙ。 sentences: - 科目：コンクリート。名称：ｺﾝｸﾘｰﾄ（個別）。摘要：Ｆ0＝24N/mm2 Ｓ＝１５ 徳島１。備考：B1-111111 H2906BD 個別基礎部躯体ｺﾝｸﾘｰﾄ。 - 科目：コンクリート。名称：免震EXP_J用充填ｺﾝｸﾘｰﾄ。摘要：FC18N/mm2 ｽﾗﾝﾌﾟ18。備考：代価表 0064。 - 科目：タイル。名称：屋外階段A段床床ﾀｲﾙA。 pipeline_tag: sentence-similarity library_name: sentence-transformers --- # SentenceTransformer This is a [sentence-transformers](https://www.SBERT.net) 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](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### 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': 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}) ) ``` ## Usage ### Direct Usage (Sentence Transformers) First install the Sentence Transformers library: ```bash 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("Detomo/cl-nagoya-sup-simcse-ja-nss-v_1_0_7_13") # Run inference sentences = [ '科目：タイル。名称：階段蹴上ﾀｲﾙ。', '科目：タイル。名称：屋外階段A段床床ﾀｲﾙA。', '科目：コンクリート。名称：免震EXP_J用充填ｺﾝｸﾘｰﾄ。摘要：FC18N/mm2 ｽﾗﾝﾌﾟ18。備考：代価表 0064。', ] 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: 193,915 training samples * Columns: sentence1, sentence2, and label * Approximate statistics based on the first 1000 samples: | | sentence1 | sentence2 | label | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------|:------------------------------------------------------------------| | type | string | string | int | | details | | | | * Samples: | sentence1 | sentence2 | label | |:-----------------------------------------|:--------------------------------------------------------------------------------------------------------|:---------------| | 科目：コンクリート。名称：ｺﾝｸﾘｰﾄﾎﾟﾝﾌﾟ圧送。 | 科目：コンクリート。名称：ﾎﾟﾝﾌﾟ圧送。 | 1 | | 科目：コンクリート。名称：ｺﾝｸﾘｰﾄﾎﾟﾝﾌﾟ圧送。 | 科目：コンクリート。名称：ｺﾝｸﾘｰﾄﾎﾟﾝﾌﾟ圧送。摘要：30m3以上 50m3/回未満基本料金別途加算。備考：B0-434226 No.1 市場免震装置下部ｺﾝ。 | 2 | | 科目：コンクリート。名称：ｺﾝｸﾘｰﾄﾎﾟﾝﾌﾟ圧送。 | 科目：コンクリート。名称：ｺﾝｸﾘｰﾄﾎﾟﾝﾌﾟ圧送基本料金。 | 0 | * Loss: sentence_transformer_lib.categorical_constrastive_loss.CategoricalContrastiveLoss ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 256 - `per_device_eval_batch_size`: 256 - `learning_rate`: 1e-05 - `weight_decay`: 0.01 - `num_train_epochs`: 1 - `warmup_ratio`: 0.2 - `fp16`: True #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: no - `prediction_loss_only`: True - `per_device_train_batch_size`: 256 - `per_device_eval_batch_size`: 256 - `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`: 1e-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`: 1 - `max_steps`: -1 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: {} - `warmup_ratio`: 0.2 - `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`: 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 - `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`: proportional
### Training Logs | Epoch | Step | Training Loss | |:------:|:----:|:-------------:| | 0.0660 | 50 | 0.0048 | | 0.1319 | 100 | 0.0049 | | 0.1979 | 150 | 0.0042 | | 0.2639 | 200 | 0.0062 | | 0.3298 | 250 | 0.0056 | | 0.3958 | 300 | 0.005 | | 0.4617 | 350 | 0.0048 | | 0.5277 | 400 | 0.0049 | | 0.5937 | 450 | 0.0043 | | 0.6596 | 500 | 0.0051 | | 0.7256 | 550 | 0.0046 | | 0.7916 | 600 | 0.0045 | | 0.8575 | 650 | 0.0043 | | 0.9235 | 700 | 0.0049 | | 0.9894 | 750 | 0.0038 | ### Framework Versions - Python: 3.11.12 - Sentence Transformers: 4.1.0 - Transformers: 4.52.2 - PyTorch: 2.6.0+cu124 - Accelerate: 1.7.0 - Datasets: 2.14.4 - Tokenizers: 0.21.1 ## 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", } ```