File size: 24,737 Bytes
5407fba |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 |
---
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:253483
- loss:MarginMSELoss
base_model: sentence-transformers/quora-distilbert-multilingual
widget:
- source_sentence: L'autore è sconosciuto. Il poema andò perduto, ma nel XV secolo
fu ritrovato e copiato in un manoscritto dallo studioso greco neoplatonico Costantino
Lascaris. Si trova nei manoscritti sia da solo che insieme ad altri scritti, quali
gli Inni orfici o gli Inni omerici. Un'altra opera correlata è il Lithica (che
descrive le proprietà e il simbolismo di diverse pietre).
sentences:
- Perchè è stato copiato in un manoscritto?
- Qual è il nome originale della piazza Garibaldi?
- Chi fu il creatore dell'uomo secondo Ovidio?
- source_sentence: 'Il 31 ottobre 1973 un tram guasto trainato da un''altra vettura
in direzione del deposito di Fuorigrotta si sganciò all''interno della Galleria
Laziale. Dal momento che percorreva la galleria in salita, il tram, privo di conducente
e senza freni, ripiombò nella piazza a fortissima velocità (circa 70 km/h), fiondandosi
su alcune automobili ferme al semaforo e terminò la sua folle corsa nell''aiuola
della fontana della piazza senza però danneggiarla, abbattendo però una palma
che non è mai più stata rimpiazzata. L''incidente causò due morti: Luigi Esposito
(passeggero del taxi di appena 24 anni) e del tassista Gianni Vozzo (29 anni)
che in quel momento si trovavano all''interno del taxi colpito e tranciato in
due parti dal tram.'
sentences:
- Perché il tram ripiombò nella piazza?
- Perché gli Opici erano considerati una civiltà preurbana?
- Chi ha scoperto i resti archeologici della metropolitana di Napoli?
- source_sentence: 'Una cantata per voce di basso e basso continuo di Alessandro Scarlatti,
conservata presso la biblioteca del Conservatorio di S.Pietro a Majella, si intitola
Nel mar che bagna al bel Sebeto il piede. Dalla scrittura musicale risulta che
l''accento della parola cadeva sulla seconda "e" ed era acuto: "Sebéto". Si tratta
di una cantata d''argomento arcadico, cioè bucolico e pastorale, in cui sono ritratte
gare di vele alla foce del fiume e, in parallelo, una "gara d''amore" che nasce
tra due pastori dai mitologici nomi di Elpino e Nice. Lo stesso Alessandro Scarlatti
scrive una cantata dal titolo Nel mar che bagna a Mergellina il piede, d''identico
argomento e identica ambientazione. Nella serenata in un atto La concordia dei
pianeti (1723) di Antonio Caldara, si menziona il Sebeto assieme a altri fiumi
(“l''Istro, il Reno, la Mossa, il Po, il Sebeto”) che "mormorano" il nome dell''imperatrice
Elisabetta Cristina, regnante assieme a Carlo VI. Anche nel melodramma di Tiberio
Natalucci Il viaggio di Bellini, con testo di Cassiano Zaccagnini, è citato questo
fiume: Bellini, all''apertura della 5ª scena del 1° atto infatti canta «Del bel
Sebeto le incantate sponde / Son presso omai: ricalcherò quel suolo / Che de sudori
miei primo bagnai...».'
sentences:
- Perché si trovano i 404 scalini della Pedamentina in quel luogo?
- Qual è il nome del melodramma di Tiberio Natalucci che cita il Sebeto?
- Come erano utilizzati i pronomi di cortesia nel Medioevo nel Regno delle Due Sicilie?
- source_sentence: 'Il parco nazionale del Vesuvio è nato il 5 giugno 1995 per il
grande interesse geologico, biologico e storico che il suo territorio rappresenta.
La sua sede è collocata nel comune di Ottaviano. È stato istituito principalmente
per: conservare i valori del territorio e dell''ambiente, e la loro integrazione
con l''uomo; salvaguardare le specie animali e vegetali, nonché le singolarità
geologiche; promuovere attività di educazione ambientale, di formazione e di ricerca
scientifica. Il Parco nasce poi dall''esigenza di valorizzare e difendere il Vesuvio.
Esso rappresenta il tipico esempio di vulcano a recinto, costituito da un cono
esterno tronco, il Monte Somma, (spento e con una cinta craterica in buona parte
demolita) entro il quale si trova un cono più piccolo (che rappresenta il Vesuvio,
ancora attivo).Il territorio, ricco di bellezze storiche e naturalistiche, vanta
una produzione agricola unica per varietà e originalità di sapori.Un''ulteriore
singolarità di questo Parco è rappresentata dalla notevole presenza di specie
floristiche e faunistiche se si rapporta alla sua ridotta estensione: sono presenti
ben 612 specie appartenenti al mondo vegetale e 227 specie (tra quelle studiate)
appartenenti a quello animale. A causa dell''emergenza rifiuti in Campania, due
siti sul confine del Parco nazionale del Vesuvio avrebbero dovuto essere adibiti
a discarica in seguito all''emanazione della legge nº 123 del 2008. Al 2010, è
già attiva e quasi satura la discarica "Ex Sari". Durante il mese di settembre
2010 la regione Campania aveva previsto l''apertura della seconda discarica, "Cava
Vitiello", che avrebbe dovuto essere la più grande d''Europa. Tuttavia, dopo numerose
proteste da parte soprattutto dei cittadini dei comuni di Boscoreale e Terzigno
l''apertura della discarica è stata sospesa dal Governo.'
sentences:
- Perchè è stato istituito il Parco nazionale del Vesuvio?
- Chi sono i personaggi tipici dell'iconografia napoletana descritti nel testo?
- Chi ha condotto le campagne di scavo a Elea-Velia?
- source_sentence: Ade è l'antagonista principale nel musical Hadestown.
sentences:
- Dove si trova Piazza Trieste e Trento?
- Chi è l'antagonista principale nel musical Hadestown?
- Perchè la poesia resta l\'unico elemento eterno
pipeline_tag: sentence-similarity
library_name: sentence-transformers
---
# SentenceTransformer based on sentence-transformers/quora-distilbert-multilingual
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [sentence-transformers/quora-distilbert-multilingual](https://huggingface.co/sentence-transformers/quora-distilbert-multilingual). 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:** [sentence-transformers/quora-distilbert-multilingual](https://huggingface.co/sentence-transformers/quora-distilbert-multilingual) <!-- at revision fbe06168e4a528166d926cf1866ce45b6dc1118a -->
- **Maximum Sequence Length:** 128 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
<!-- - **Training Dataset:** Unknown -->
<!-- - **Language:** Unknown -->
<!-- - **License:** Unknown -->
### 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': 128, 'do_lower_case': False}) with Transformer model: DistilBertModel
(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:
```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("HipFil98/sbert-mariannaQA-ita")
# Run inference
sentences = [
"Ade è l'antagonista principale nel musical Hadestown.",
"Chi è l'antagonista principale nel musical Hadestown?",
"Perchè la poesia resta l\\'unico elemento eterno",
]
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]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### Unnamed Dataset
* Size: 253,483 training samples
* Columns: <code>sentence_0</code>, <code>sentence_1</code>, <code>sentence_2</code>, and <code>label</code>
* Approximate statistics based on the first 1000 samples:
| | sentence_0 | sentence_1 | sentence_2 | label |
|:--------|:------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------|
| type | string | string | string | float |
| details | <ul><li>min: 6 tokens</li><li>mean: 108.27 tokens</li><li>max: 128 tokens</li></ul> | <ul><li>min: 8 tokens</li><li>mean: 16.5 tokens</li><li>max: 38 tokens</li></ul> | <ul><li>min: 7 tokens</li><li>mean: 17.77 tokens</li><li>max: 37 tokens</li></ul> | <ul><li>min: -0.18</li><li>mean: 0.33</li><li>max: 0.9</li></ul> |
* Samples:
| sentence_0 | sentence_1 | sentence_2 | label |
|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------|:---------------------------------|
| <code>A lungo si è discusso a quale genere appartenesse un'opera tanto innovativa come quella ovidiana. Per gli studiosi è stato subito chiaro che l'intenzione di Ovidio fosse quella di scrivere un poema epico. D'altronde l'utilizzo dell'esametro, il tipico metro della tradizione epica usato da Omero e da Virgilio, presupponeva proprio questo, che ci trovassimo di fronte a un altro poema epico. Quello che però non ha convinto - e su cui i critici hanno dibattuto per tutto l'inizio del XX secolo - è stata la scelta tematica fatta da Ovidio: non l'epopea di un unico eroe, ma un'infinità di storie legate insieme da un unico elemento, le metamorfosi. D'altronde non dobbiamo scordare che Ovidio, prima di scrivere il poema, era considerato il più famoso poeta elegiaco della corte augustea insieme a Properzio. Anderson ha notato che proprio i primi due versi delle Metamorfosi sono in un certo senso esemplificative del passaggio da poeta elegiaco a epico: Tenendo presente che un distico elegiaco è ...</code> | <code>Cosa hanno in comune i primi due versi delle Metamorfosi secondo Anderson?</code> | <code>Perché il Mormando utilizzò l'ordine corinzio completo di piedistallo nelle chiese napoletane del cinquecento?</code> | <code>0.4587586522102356</code> |
| <code>Negli anni successivi, Atene viene attaccata come tutta la Grecia dall'Impero persiano. Nel 490 a.C la flotta persiana sbarca in Eubea e tenta di assediare Atene. La città chiede aiuto a Sparta ma rimane sola. Gli ateniesi non si scoraggiano e a Maratona in una epica battaglia riescono a sconfiggere e a ricacciare in patria i persiani. Qualche anno dopo, il re Serse sbaraglia i greci alle Termopili e assedia Atene. Gli abitanti riescono a rifugiarsi a Salamina ma la città è distrutta dai persiani. Sotto la guida di Temistocle, gli ateniesi riescono comunque a sconfiggere i persiani e a ricostruire la loro città ed a costruire una cinta difensiva, che sarà ricordata come le mura di Temistocle, nella speranza di proteggersi da ulteriori invasioni.</code> | <code>Perchè le mura di Temistocle furono costruite?</code> | <code>Chi ha ammirato la Crypta Neapolitana?</code> | <code>0.371756911277771</code> |
| <code>Quando a Napoli cadevano le bombe di Aldo De Gioia (2009) Morso di luna nuova di Erri De Luca pubblicato nel 2005 e portato in scena dal 2008 da varie Compagnie teatrali. Libertà: Omaggio alle Quattro Giornate di Napoli - spettacolo in prosa e musica di Giovanni D'Angelo (2003)</code> | <code>Cosa è stato rappresentato nel testo?</code> | <code>Chi insegnò il giordano Filodemo di Gadara e Sirone a Napoli?</code> | <code>0.08001580834388733</code> |
* Loss: [<code>MarginMSELoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#marginmseloss)
### Training Hyperparameters
#### Non-Default Hyperparameters
- `num_train_epochs`: 1
- `multi_dataset_batch_sampler`: round_robin
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: no
- `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
- `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
</details>
### Training Logs
| Epoch | Step | Training Loss |
|:------:|:-----:|:-------------:|
| 0.0158 | 500 | 11.4697 |
| 0.0316 | 1000 | 0.0719 |
| 0.0473 | 1500 | 0.0431 |
| 0.0631 | 2000 | 0.0372 |
| 0.0789 | 2500 | 0.0309 |
| 0.0947 | 3000 | 0.0272 |
| 0.1105 | 3500 | 0.0249 |
| 0.1262 | 4000 | 0.0209 |
| 0.1420 | 4500 | 0.0186 |
| 0.1578 | 5000 | 0.0164 |
| 0.1736 | 5500 | 0.0142 |
| 0.1894 | 6000 | 0.0131 |
| 0.2051 | 6500 | 0.0123 |
| 0.2209 | 7000 | 0.0134 |
| 0.2367 | 7500 | 0.0102 |
| 0.2525 | 8000 | 0.0101 |
| 0.2683 | 8500 | 0.0091 |
| 0.2840 | 9000 | 0.0083 |
| 0.2998 | 9500 | 0.008 |
| 0.3156 | 10000 | 0.0083 |
| 0.3314 | 10500 | 0.0072 |
| 0.3472 | 11000 | 0.0075 |
| 0.3629 | 11500 | 0.0069 |
| 0.3787 | 12000 | 0.0063 |
| 0.3945 | 12500 | 0.0062 |
| 0.4103 | 13000 | 0.0064 |
| 0.4261 | 13500 | 0.0057 |
| 0.4418 | 14000 | 0.0058 |
| 0.4576 | 14500 | 0.005 |
| 0.4734 | 15000 | 0.005 |
| 0.4892 | 15500 | 0.0048 |
| 0.5050 | 16000 | 0.0046 |
| 0.5207 | 16500 | 0.0046 |
| 0.5365 | 17000 | 0.0044 |
| 0.5523 | 17500 | 0.0042 |
| 0.5681 | 18000 | 0.0038 |
| 0.5839 | 18500 | 0.0037 |
| 0.5996 | 19000 | 0.0038 |
| 0.6154 | 19500 | 0.0036 |
| 0.6312 | 20000 | 0.0033 |
| 0.6470 | 20500 | 0.0033 |
| 0.6628 | 21000 | 0.0031 |
| 0.6785 | 21500 | 0.0029 |
| 0.6943 | 22000 | 0.0029 |
| 0.7101 | 22500 | 0.0028 |
| 0.7259 | 23000 | 0.0028 |
| 0.7417 | 23500 | 0.0028 |
| 0.7574 | 24000 | 0.0025 |
| 0.7732 | 24500 | 0.0024 |
| 0.7890 | 25000 | 0.0023 |
| 0.8048 | 25500 | 0.0023 |
| 0.8206 | 26000 | 0.0021 |
| 0.8363 | 26500 | 0.0022 |
| 0.8521 | 27000 | 0.002 |
| 0.8679 | 27500 | 0.0019 |
| 0.8837 | 28000 | 0.0019 |
| 0.8995 | 28500 | 0.0019 |
| 0.9152 | 29000 | 0.0018 |
| 0.9310 | 29500 | 0.0018 |
| 0.9468 | 30000 | 0.0018 |
| 0.9626 | 30500 | 0.0017 |
| 0.9784 | 31000 | 0.0017 |
| 0.9941 | 31500 | 0.0016 |
### Framework Versions
- Python: 3.10.12
- Sentence Transformers: 3.3.1
- Transformers: 4.47.1
- PyTorch: 2.5.1+cu121
- Accelerate: 1.2.1
- Datasets: 3.2.0
- Tokenizers: 0.21.0
## 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",
}
```
#### MarginMSELoss
```bibtex
@misc{hofstätter2021improving,
title={Improving Efficient Neural Ranking Models with Cross-Architecture Knowledge Distillation},
author={Sebastian Hofstätter and Sophia Althammer and Michael Schröder and Mete Sertkan and Allan Hanbury},
year={2021},
eprint={2010.02666},
archivePrefix={arXiv},
primaryClass={cs.IR}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |