metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:48914
  - loss:MultipleNegativesRankingLoss
base_model: intfloat/multilingual-e5-base
widget:
  - source_sentence: Glæde
    sentences:
      - Den 4. maj fejrer vi glæden, håbet og friheden.
      - >-
        – fordi vi ville – og fordi der var en begyndende efterspørgsel – og den
        efterspørgsel hænger selvfølgelig sammen med, at det er blevet økonomisk
        muligt for flere og flere at købe en elbil. Ladestanderen bliver brugt
        dagligt, og jeg gætter på, at vi om få år vælger at opsætte nogle flere
        til glæde for lærere og elever på BG og andre der benytter vores
        parkeringsplads.
      - >-
        Forening viser tydeligt, hvor hildede vi har været i Synet paa det
        politiske Arbejde. Upartipolitisk! Hvilket Monstrum af et Ord, og
        hvilken Negativisme det indebærer. Ser man paa vore Medlemmers højst
        uensartedede Herkomst og Livsindstilling, turde det iøvrigt være en
        ganske overflødig Bemærkning, at vort Arbejde ikke kan tages til Indtægt
        for noget specielt politisk Parti.
  - source_sentence: Kontekst utilstrækkelig
    sentences:
      - >-
        Til støtte for De Forenede Nationers aktion i Korea vil regeringen
        fortsat yde sit bidrag ved at stille hospitalsskibet ”Jutlandia" til
        rådighed for De Forenede Nationers enhedskommando, og regeringen vil
        forberede Danmarks deltagelse i det internationale hjælpe- og
        genopbygningsarbejde i Korea efter fjendtlighedernes afslutning.
      - >-
        Og dertil kommer de mange tusinde, som får suppleret deres indkomst med
        offentlige tilskud eller kontantydelser. Det er alt for mange. Det kan
        vi ikke være bekendt. Det kan vi ikke leve med.
      - og det er at
  - source_sentence: Forvirring
    sentences:
      - >-
        Som De tidligere har hørt, blev der i 1913 i afdøde Lærer Ludvig Triers
        Bo oprettet et Legat, kaldet „Ludvig Triers Legat til Fremme af Kvinders
        økonomiske Selvstændighed”. Og D. K. anmodedes om at styre dette Legat
        og uddele Renten af Kapitalen, naar denne engang blev ledig. Foreløbig
        skulde nogle Slægtninge af Ludvig Trier nyde Renten, saa længe de
        levede. Nu er imidlertid en Kapital paa omkring 14,000 Kr. i Februar i
        Aar bleven ledig ved en Legatnyders Død; den vil i Juni Termin blive
        udbetalt til D. K., og vi vil altsaa til næste Aar faa en endnu større
        Sum at uddele til hint udmærkede Formaal.
      - Uddannelse
      - I don't know what to say.
  - source_sentence: Medicin
    sentences:
      - >-
        Jeg hedder Amal, og jeg er 19 år gammel, jeg er lige pt i gang med et
        sabbatår hvor jeg efterfølgende gerne vil starte på drømmestudiet, som
        er medicin[.]
      - >-
        Vi skal være Dig gode og [faste] Sønner og Døtre, Danmark, [det] lover
        vi Dig i Dag, og det [giver] vi Dig Haandslag paa, [Kong] Christian. Ja,
        om kongen [samler] vi os i denne Stund, den [største] vor Slægt har
        oplevet. Naar [svundne] Dage Folket havde valgt [en Konge], stævnede de
        til Tinge [for at] hylde ham under aaben [Himmel]. Den 10. Februar, da
        vi [Sønderjyder] stemte os hjem, kaarede vi [Kong] Christian af Danmark
        til Konge. [Denne] Dag løfter vi alle om een vor Konge paa Skjold; som
        frie [Mænd] og Kvinder hylder vi Danmarks konge og Dronning, nu ogsaa
        [vor] Konge og Dronning, idet vi [samles] i et tusindstemmigt
        [Hyldestråb]: Kong Christian og [Dronning] Alexandrine leve!
      - >-
        Findes der noget menneske, ærede dommere, eller vil der nogen sinde
        blive født noget menneske, der i stedet for 2.600 dr. ville foretrække
        at betale 3.360 dr. og en rente på 560 dr., i alt 3.920 dr., det beløb,
        som Formion påstår at have lånt og afleveret til Lampis? Betalte han
        virkelig i Bosporos – og det 13 miner for meget - når han havde mulighed
        for at betale beløbet tilbage i Athen som et returlån?
  - source_sentence: Bygge- og anlægsvirksomhed
    sentences:
      - For hvis disse årsager alene var nok,
      - Venligst
      - >-
        Den betydelige forringelse i balancen udadtil hænger sammen med tre
        forhold: den stærke stigning i befolkningens forbrug, den stærke
        stigning i den samlede bygge- og anlægsvirksomhed og stigningen i den
        øvrige investering.
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: SentenceTransformer based on intfloat/multilingual-e5-base
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: danish embedding validator
          type: danish_embedding_validator
        metrics:
          - type: cosine_accuracy
            value: 0.9837473034858704
            name: Cosine Accuracy
          - type: cosine_accuracy
            value: 0.9842851758003235
            name: Cosine Accuracy

SentenceTransformer based on intfloat/multilingual-e5-base

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-base on the json dataset. 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: intfloat/multilingual-e5-base
Maximum Sequence Length: 512 tokens
Output Dimensionality: 768 dimensions
Similarity Function: Cosine Similarity
Training Dataset:
- json

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: XLMRobertaModel 
  (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})
  (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("dilovancelik/multilingual-e5-large-danish-speeches-finetune")
# Run inference
sentences = [
    'Bygge- og anlægsvirksomhed',
    'Den betydelige forringelse i balancen udadtil hænger sammen med tre forhold: den stærke stigning i befolkningens forbrug, den stærke stigning i den samlede bygge- og anlægsvirksomhed og stigningen i den øvrige investering.',
    'Venligst',
]
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

Triplet

Dataset: danish_embedding_validator
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9837

Triplet

Dataset: danish_embedding_validator
Evaluated with TripletEvaluator

Metric	Value
cosine_accuracy	0.9843

Training Details

Training Dataset

json

Dataset: json
Size: 48,914 training samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 4.28 tokens max: 11 tokens	min: 3 tokens mean: 50.09 tokens max: 512 tokens	min: 3 tokens mean: 54.62 tokens max: 512 tokens

Samples:

anchor	positive	negative
`Integration`	`Indvandrerproblemet i Danmark består i, at vi her i landet gør indvandrerne til sociale klienter. Det er rasende kostbart. Det er også helt perspektivløst. Og dertil kommer, at det er demoraliserende, fordi det er tegn på en manglende respekt.`	`ingen`
`Prisuddeling`	`Det musik vi laver, det laver vi, fordi at det udtrykker det, der er inde i os, og det kan godt være, at vi er underlige, men vi er glade for, at der er rigtig mange mennesker derude, der også er underlige, og som har taget sig tid til at stemme på os, tusind tak for det.`	`Det begyndte alt sammen for 175 år siden her tæt, hvor vi står, med rejsningen af Den Skandinaviske Sten i 1845.`
`Friskoler`	`Vi har ladet tusind blomster blomstre – vi har massevis af pædagoger, hjemmehjælpere og lærere, som vil være selvstændige og starte fri-børnehaver, friskoler og friplejehjem.`	`Greenland Ruby A/S, som åbnede minen i Aappilattoq ved Qeqertarsuatsiaat sidste år er på nuværende tidspunkt det eneste selskab, der driver aktiv mine i Grønland.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

json

Dataset: json
Size: 48,914 evaluation samples
Columns: anchor, positive, and negative

Approximate statistics based on the first 1000 samples:

	anchor	positive	negative
type	string	string	string
details	min: 3 tokens mean: 4.39 tokens max: 18 tokens	min: 3 tokens mean: 52.42 tokens max: 512 tokens	min: 3 tokens mean: 55.2 tokens max: 512 tokens

Samples:

anchor	positive	negative
`Koncert`	`og fik virkelig trukket de fleste af dem med. ”`	`Det er regeringens mål at stabilisere udviklingen i byggeriet på et højt niveau og at fortsætte den sociale linje i boligpolitikken.`
`Ukraine`	`Vores hjælp gør også Ukraine attraktivt for udenlandske investorer og samarbejdspartnere den dag, krigens trængsler er forbi. Internationale virksomheder holder sig ofte tilbage med at anbringe penge i lande, hvor forholdene ikke er i orden. Eller hvor der er penge under bordet.`	`Og den lovbestemte mindsteløn i Tyskland er i dag på 9 Euro.`
`Aftale`	`Når ens kæreste ikke møder op til en aftale, er man`	`Det Jødiske Samfund har oplyst, at de i perioden 7. oktober til 7. november i år har modtaget 80 indberetninger om antisemitiske hændelser. Det er 24 gange flere indberetninger end gennemsnittet pr. måned i de forudgående ni måneder af 2023.`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

eval_strategy: steps
per_device_train_batch_size: 64
per_device_eval_batch_size: 64
learning_rate: 2e-05
weight_decay: 0.1
num_train_epochs: 2
warmup_ratio: 0.1
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: 64
per_device_eval_batch_size: 64
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: 2e-05
weight_decay: 0.1
adam_beta1: 0.9
adam_beta2: 0.999
adam_epsilon: 1e-08
max_grad_norm: 1.0
num_train_epochs: 2
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: 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: no_duplicates
multi_dataset_batch_sampler: proportional

Training Logs

Epoch	Step	Training Loss	Validation Loss	danish_embedding_validator_cosine_accuracy
-1	-1	-	-	0.8181
0.4082	200	3.0213	0.8728	0.9777
0.8163	400	2.4277	0.8451	0.9809
1.2224	600	2.0946	0.8268	0.9817
1.6306	800	2.0572	0.8143	0.9840
-1	-1	-	-	0.9843

Framework Versions

Python: 3.10.12
Sentence Transformers: 3.4.1
Transformers: 4.48.3
PyTorch: 2.5.1
Accelerate: 1.3.0
Datasets: 3.3.0
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",
}

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}
}