NAMAA-retriever-tydi / README.md

yoriis

Add new SentenceTransformer model

099c968 verified 3 months ago

preview code

raw

history blame contribute delete

32.4 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:20000
  - loss:ContrastiveLoss
base_model: NAMAA-Space/AraModernBert-Base-STS
widget:
  - source_sentence: من هم الأنجلوسكسونيون ؟
    sentences:
      - >-
        أيمن محمد ربيع الظواهري (مواليد 19 يونيو 1951) هو زعيم تنظيم القاعدة
        خلفاً لأسامة بن لادن بعد ما كان ثاني أبرز قياديي منظمة القاعدة العسكرية
        التي تصنفها معظم دول العالم كمنظمة إرهابية من بعد أسامة بن لادن، وزعيم
        تنظيم الجهاد الإسلامي العسكري المحظور في مصر. رصدت الحكومة الأمريكية
        مكافأة تقدر بـ 25 مليون دولار لمن يدلي بمعلومات تؤدي إلى القبض عليه.
      - >-
        الأنجلوسكسونيون (بالإنجليزية: Anglo-Saxons) هم القبائل الجرمانية التي
        غزت وسكنت بريطانيا في القرن 5 والقرن 6.[1][2][3] تلك القبائل هي الأنجلز،
        والسكسون، واليوت. وقد تركوا أوطانهم الأصلية وهي شمال ألمانيا وهولندا
        والدانمارك، واتجهوا نحو بحر الشمال على متن مراكب خشبية. واستوطنوا جهات
        بريطانيا الجنوبية والشرقية في القرن الخامس بعد الميلاد، وبعد حوالي مائتي
        عام انضمت هذه المجموعات الثلاثة في مجموعة واحدة دعيت بالأنجلو-ساكسون.
      - >-
        المشتري هو أكبر كواكب النظام الشمسي، وقطره يَبلغ 11 ضعف قطر الأرض وحوالي
        عُشر قطر الشمس. هذا الكوكب - كما يُرى من الأرض - ألمع من جميع النجوم
        وعادة ثاني ألمع الكواكب بعد الزهرة. المشتري هو عملاق غازي، أي أنه لا
        يَملك سطحاً صلباً، بل بدلاً من ذلك يتألف سطحه من سحب كثيفة حمراء وصفراء
        وبنية وبيضاء. السحب مقسمة ضمن مناطق مضيئة تسمى "الأنطقة" وأخرى مظلمة
        تسمى "الأحزمة"، تدور جميعها حول الكوكب بشكل مواز لخط الاستواء. وهو أسرع
        الكواكب بالدوران حول نفسه، فهو يُتم دورة كل 10 ساعات تقريباً.[77] توجد
        على المشتري العديد من الظواهر الجوية، مثل الرياح عالية السرعة والبرق
        والعواصف الكثيرة (وأشهرها هي البقعة الحمراء العظيمة). كما يَملك المشتري
        أقوى مجال مغناطيسي من بين كواكب النظام الشمسي، والذي تبلغ قوته 12 ضعف
        قوى مجال الأرض. هذا الكوكب هو الجرم الوحيد في الكون الذي شاهد البشر
        أجساماً أخرى تصطدم به، فقد اصطدم به مذنب شيومارك-ليفي 9 عام
        1994،[77][78][79] ثم كويكبان آخران اكتشفهما هاوي فلك في عامي 2009
        و2010.[80]
  - source_sentence: من هو مؤسس مذهب الإباضية في الإسلام؟
    sentences:
      - >-
        ترجع سمّيته لكونه يتحد مع هيموجلوبين الدم في الرئتين عند استنشاقه مكونًا
        كاربوكسي هيموجلوبين، مانعًا بذلك نقل الأوكسجين إلى الأنسجة والخلايا
        (يربط مع الهيموغلوبين برابط ثابت) وذلك كون إمكانيّة التصاق جزيء الـ CO
        بالهيموغلوبين (Hb) هي أكثر بحوالي 300 ضعف من إمكانيّة التصاق جزيء
        الأوكسيجين بالهيموغلوبين (إمكانيّة الالتصاق هذه تسمّى بالإنكليزيّة
        Affinity). وعند التعرض له تظهر على الجسم بعض الأعراض كتغير لون الجلد
        والأغشية المخاطية إلى الأحمر والعديد من الأعراض الأخرى. يمكن علاج التسمم
        بأول أكسيد الكربون عن طريق التعريض الكافي للأوكسيجين الصافي لفترة طويلة،
        والأهمّ من ذلك الكفّ من التعرض لمصدر الغاز السامّ CO، أو نقل كريات دم
        حمراء إن اضطرّ الأمر. وللحفاظ على السلامة يجب التخلص من هذا الغاز عن
        طريق تهوئة أماكن تواجده، كما هنالك الكثير من المعالجات الكيميائية التي
        تفي بالغرض.
      - >-
        مملكة المجر هي مملكة غطت منطقة من شرق أوروبا وضمت المناطق الحالية للمجر
        وسلوفاكيا وترانسيلفانيا وكرواتيا وشمال صربيا وأصبحت أمبراطورية يوم عيد
        الميلاد لسنة 1000، تحت ملكها ستيفن من أسرة أرباد وتعرضت عام 1241 للغزو
        المغولي الذي أضعفها وانتهت الأسرة عام 1301، وعاشت فترات متذبذبة من القوة
        والضعف حتى أواخر القرن الخامس عشر الميلادي. وسيطر العثمانيون على معظمها
        من أوائل القرن السادس عشر إلى أواخر القرن السابع عشر.
      - >-
        هارولد كلايتون لويد  ممثل أمريكي وصاحب أعلى أجر في العشرينيات وأكثر
        شخصيات السينما شعبية حيث خلق الشخصية الفكاهية للرجل غير المهم الموجود في
        المواقف الصعبة والمميز بقبعة الريش وكان يواجه المشاكل وينتصر
        عليها.[1][2][3]
  - source_sentence: اين تقع الجبل الاسود ؟
    sentences:
      - >-
        تبلغ مساحة هايتي 27،750 كم2، (6،236 ميل2) وعاصمة البلاد بورت أو برانس
        وأهم المدن بورت بابكس، وكيب هابيتان. تشغل هايتي الثلث الغربي من جزيرة
        هسبانيولا، في شرقها جمهورية الدومنيكان وتحتل ثلثي الجزيرة، تفصلها في
        الغرب مياه البحر الكاريبي عن كوبا وجامايكا، وهي إلى كوبا أقرب. تشكل
        المرتفعات أكثر من ثلاثة أرباع أراضي هايتي، وتمتد المرتفعات من أرض
        جارتها، ثم تسير نحو الغرب، وأعلى قمم هضابها جبل لاسل (2680م)، وتضم
        المرتفعات بعض السهول والوديان، وفي غربي هايتي خليج جوناف حيث يضم جزيرة
        جوناف التابعة لها.
      - >-
        في عام 1965، وبعد 4 سنوات من العمل في دمشق، تم الكشف عن كوهين عندما كانت
        تمر أمام بيته سيارة رصد الاتصالات الخارجية التابعة للأمن السوري. وعندما
        ضبطت أن رسالة مورس وجهت من المبنى الذي يسكن فيه حوصر المبنى على الفور،
        وقام رجال الأمن بالتحقيق مع السكان ولم يجدوا أحداً مشبوهاً فيه، ولم
        يجدوا من يشكّوا فيه في المبنى. إلا أنهم عادوا واعتقلوه بعد مراقبة البث
        الصادر من الشقة [3].
      - >-
        كأس الأمم الأفريقية لكرة القدم هي بطولة ينظمها الاتحاد الأفريقي لكرة
        القدم كل عامين بين الدول الأفريقية المتأهلة من التصفيات لتحديد بطل
        القارة الأفريقية وهي مصنفة البطولة الثالثة على العالم بعد كأس العالم
        وكأس الأمم الأوروبية لشدة منافساتها حيث تضم المنتخبات التي تتأهل إلى
        نهائيات البطولة نخبة من اللاعبين الأفارقة المحترفين في أفضل الأندية
        الأوروبية بالإضافة إلى أفضل اللاعبين داخل القارة الأفريقية. أنشأت هذه
        البطولة سنة 1957 وكانت أول دولة تستضيفها السودان. والدولة صاحبة الرقم
        القياسي في عدد مرات الفوز بها هي مصر برصيد سبع بطولات، تليها الكاميرون
        بخمس بطولات.
  - source_sentence: ماهي نسبة النموالإقتصادي في هندوراس في سنة 2018؟
    sentences:
      - >-
        متلازمة أسبرجر هي إحدى اضطرابات طيف التوحد، ويُظهر المصابون بهذه
        المتلازمة صعوبات كبيرة في تفاعلهم الاجتماعي مع الآخرين، مع رغبات وأنماط
        سلوكية مقيدة ومكررة. وهذه المتلازمة تختلف عن غيرها من اضطرابات طيف
        التوحد من ناحية الحفاظ النسبي على استمرارية تطوير الجوانب اللغوية
        والإدراكية لدى المريض. وغالباً ما يرد وجود ضعف المهارات الحركية واستخدام
        لغة غير نمطية في التشخيص، على الرغم من أن التشخيص لا يشترط وجودها.
      - >-
        ينمو الاقتصاد باستمرار ولكن ببطء، ولكن توزيع الثروة لا يزال مستقطبا
        للغاية مع متوسط الأجور المنخفضة المتبقية.و في السنوات القليلة الماضية
        وبلغ متوسط النمو الاقتصادي 7 ٪ في السنة ويعتبر واحد من أكثر معدلات النمو
        نجاحا في أميركا اللاتينية، ولكن 50 ٪ أي ما يقرب من 3.7 مليون من السكان
        لا يزال تحت خط الفقر. ووفقا للبنك الدولي، تعد هندوراس ثالث أفقر دولة في
        نصف الكرة الغربي، وذلك بعد نيكاراغوا وهايتي. ويقدر أن هناك أكثر من 1.2
        مليون شخص عاطل عن العمل، ولذا فإن معدل البطالة يقف عند 27.9 ٪. أعلن
        البنك الدولي وصندوق النقد الدول أن هندوراس واحدة من الدول الفقيرة
        المثقلة بالديون مما جعلها مؤهلة للحصول على تخفيف عبء الديون في عام 2005.
        بعد سنوات من تراجع عملتها مقابل الدولار الأمريكي استقرت العملة لامبيرا
        عند حوالي 19 لامبيرا للدولار الواحد. وفي يونيو 2008 كان سعر الصرف أمام
        الدولار الأمريكي يقترب من 18.85. و قد وقعت هندوراس في عام 2005 اتفاقية
        التجارة الحرة مع الولايات المتحدة.و في ديسمبر 2005 أدرجت هندوراس الميناء
        الرئيسي بويرتو كورتيس في مبادرة أمن الحاويات للولايات المتحدة.
      - >-
        حمدين عبد العاطي عبد المقصود صباحي وشهرته حمدين صباحي (5 يوليو 1954)
        سياسي وبرلماني مصري. رئيس سابق لحزب الكرامة ويعمل كرئيس تحرير جريدة
        الكرامة وعضو برلمان سابق ومرشح لرئاسة الجمهورية في انتخابات 2012
        وانتخابات الرئاسة المصرية 2014. له تاريخ في الدفاع عن حقوق المصريين
        والعدالة الاجتماعية ومناصرة القضايا الوطنية، ناصري الميول[1].
  - source_sentence: متى قام عقبة بن نافع  ببناء جامع القيروان ؟
    sentences:
      - >-
        W. E. B. Du Bois أو وليام إدوارد بورغاردت دو بويز (23 شباط 1868 - 27 آب
        1963) هو عالم اجتماع وناشط سياسي أميركي من أصول افريقية، من أهم دعاة
        الحقوق المدنية والمهتمين بشؤون السود في مطلع القرن العشرين . وُلد في
        غريت بارينغتون في ولاية ماساتشوستس. أتيحت له نشأة في مجتمع متسامح نسبياٌ
        ومتكامل. تخرّج من جامعة هارفارد وكان أول أميركي إفريقي يحصل على
        الدكتوراه. أصبح أستاذ التاريخ وعلم الاجتماع والاقتصاد في جامعة أتلانتا،
        وهو أحد مؤسسي الرابطة الوطنية لتحسين أوضاع المواطنين الملونين (NAACP)
        منذ عام 1909.
      - >-
        اليونيسف (بالإنكليزية:UNICEF) اختصارا ل"United Nations Children's
        Emergency Fund" أو منظمة الأمم المتحدة للطفولة. تأسس في 11 كانون الأول /
        ديسمبر 1946 بفضل تصويت بالإجماع في الدورة الأولى للجمعية العامة للأمم
        المتحدة. وتقرر وقتئذ أن يقدم صندوق الأمم المتحدة الدولي لرعاية الطفولة،
        كما كان يعرف آنذاك بتقديم إغاثة قصيرة الأجل للأطفال في فترة ما بعد الحرب
        العالمية الثانية في أوروبا.
      - >-
        الأحماض الكربوكسيلية هي أحماض عضوية تصنف في ظل وجود مجموعة الكربوكسيل
        الوظيفية (COOH)، كما أنها تندرج تحت تصنيف العالمان (برونستد ولوري)
        للأحماض، حيث تقوم بمنح البروتون. صيغتها العامة هي R-COOH. حيث R مستبدل
        من الممكن أن تكون إما جذر ألكيلي أو ذرة هيدروجين، وهي منتشرة في الطبيعة
        بشكل كبير.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on NAMAA-Space/AraModernBert-Base-STS

This is a sentence-transformers model finetuned from NAMAA-Space/AraModernBert-Base-STS. 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: NAMAA-Space/AraModernBert-Base-STS
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("yoriis/NAMAA-retriever-tydi")
# Run inference
sentences = [
    'متى قام عقبة بن نافع  ببناء جامع القيروان ؟',
    'الأحماض الكربوكسيلية هي أحماض عضوية تصنف في ظل وجود مجموعة الكربوكسيل الوظيفية (COOH)، كما أنها تندرج تحت تصنيف العالمان (برونستد ولوري) للأحماض، حيث تقوم بمنح البروتون. صيغتها العامة هي R-COOH. حيث R مستبدل من الممكن أن تكون إما جذر ألكيلي أو ذرة هيدروجين، وهي منتشرة في الطبيعة بشكل كبير.',
    'اليونيسف (بالإنكليزية:UNICEF) اختصارا ل"United Nations Children\'s Emergency Fund" أو منظمة الأمم المتحدة للطفولة. تأسس في 11 كانون الأول / ديسمبر 1946 بفضل تصويت بالإجماع في الدورة الأولى للجمعية العامة للأمم المتحدة. وتقرر وقتئذ أن يقدم صندوق الأمم المتحدة الدولي لرعاية الطفولة، كما كان يعرف آنذاك بتقديم إغاثة قصيرة الأجل للأطفال في فترة ما بعد الحرب العالمية الثانية في أوروبا.',
]
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: 20,000 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: 6 tokens
mean: 9.89 tokens
max: 29 tokens

min: 16 tokens
mean: 128.18 tokens
max: 512 tokens

min: 0.0
mean: 0.33
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 6 tokens mean: 9.89 tokens max: 29 tokens	min: 16 tokens mean: 128.18 tokens max: 512 tokens	min: 0.0 mean: 0.33 max: 1.0

Samples:

sentence_0	sentence_1	label
`متى ولد ليوناردو ديفنشي؟`	`'عازف البيانو' هو فيلم من نوع الدراما التاريخية صدر عام 2002، من إخراج رومان بولانيسكي وتأليف رونالد هاورد، وبطولة أدريان برودي. الفيلم مأخوذ عن كتاب يحمل نفس الاسم لعازف البيانو البولندي اليهودي فلاديسلاف شبيلمان.`	`0.0`
`متى ولد الرسول صلى الله عليه وسلم ؟`	`آسية بنت مزاحم هي امرأة فرعون موسى التي تلقت النبي موسى من اليم وآمنت به وأسندت رضاعته لأمه.`	`0.0`
`ما هو التحصين؟`	اللقاح هو مستحضر بيولوجي، يقدم المناعة الفاعلة المكتسبة تجاه مرض معين. يحوي اللقاح بشكل نموذجي على وسيط يشبه العضوية الدقيقة المسببة للمرض، وغالباً يصنع من الأشكال المضعفة أو المقتولة للجرثوم، أو من سمومه، أو أحد بروتيناته السطحية. يحرض هذا الوسيط الجهاز المناعي للجسم ليتعرف على هذا الجرثوم كمهدد له ويدمره، و يبقي لديه نسخة منه كي يستطيع الجهاز المناعي التعرف عليه ويحطمه بسهولة إذا هاجمه أي من هذه العضويات مرة أخرى. عملية تقديم اللقاح تدعى بعملية التلقيح. تمت دراسة فعالية التلقيح و التحقق منها بشكل جيد، على سبيل المثال لقاح الانفلونزا،[1] لقاح الفيروس الحليمومي البشري،[2] لقاح الجدري.[3] يعد التلقيح الطريقة الأولى الفعالة للوقاية من الأمراض المعدية.[4] المناعة واسعة الانتشار المأخوذة من اللقاحات مسؤولة بشكل كبير عن الاستئصال العالمي لمرض الجدري، والحد من أمراض أخرى كشلل الأطفال، والحصبة، والكزاز في معظم مناطق العالم. بينت منظمة الصحة العالمية أن اللقاحات المرخصة حالياً متاحة للوقاية أو للمساهمة في الوقاية وضبط 25 مرض معد.[5] يمكن أن تكون اللقاحات وقائية (مثال: تقي أو تحسن آثار مرض مست...	`1.0`

Loss: ContrastiveLoss with these parameters:

{
    "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
    "margin": 0.5,
    "size_average": true
}

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

overwrite_output_dir: False
do_predict: False
eval_strategy: no
prediction_loss_only: True
per_device_train_batch_size: 16
per_device_eval_batch_size: 16
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: 3
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
hub_revision: None
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
liger_kernel_config: None
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	Training Loss
0.4	500	0.0055
0.8	1000	0.0033
1.2	1500	0.0023
1.6	2000	0.0014
2.0	2500	0.0014
2.4	3000	0.0006
2.8	3500	0.0005

Framework Versions

Python: 3.11.13
Sentence Transformers: 4.1.0
Transformers: 4.53.3
PyTorch: 2.6.0+cu124
Accelerate: 1.9.0
Datasets: 4.0.0
Tokenizers: 0.21.2

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)},
    title={Dimensionality Reduction by Learning an Invariant Mapping},
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}