George2002/duplicates_checker_v1

SentenceTransformer based on sergeyzh/rubert-mini-frida

This is a sentence-transformers model finetuned from sergeyzh/rubert-mini-frida. It maps sentences & paragraphs to a 312-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: sergeyzh/rubert-mini-frida
• Maximum Sequence Length: 2048 tokens
• Output Dimensionality: 312 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': 2048, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 312, '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("George2002/duplicates_checker_v1")
# Run inference
sentences = [
    'Что такое минимальная гарантированная ставка по вкладу?',
    'Минимальная гарантированная ставка указывается на первой странице договора вклада и определяет минимальный доход при хранении вклада до конца срока.',
    'Допускается ли внесение средств на счет ПДС с банковской карты, принадлежащей другому лицу?',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 312]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Binary Classification

• Dataset: binary-sts-validation
• Evaluated with BinaryClassificationEvaluator

Metric	Value
cosine_accuracy	0.8157
cosine_accuracy_threshold	0.668
cosine_f1	0.8383
cosine_f1_threshold	0.5157
cosine_precision	0.7519
cosine_recall	0.9471
cosine_ap	0.8756
cosine_mcc	0.5939

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,473 training samples
• Columns: sentence1, sentence2, and label
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	label
  type	string	string	int
  details	min: 6 tokens mean: 19.16 tokens max: 58 tokens	min: 7 tokens mean: 21.22 tokens max: 66 tokens	0: ~42.40% 1: ~57.60%

• Samples:

  sentence1	sentence2	label
  Какие средства не подлежат списанию по исполнительным документам?	Как погасить кредит, если счет арестован?	0
  В случае изменения реквизитов необходимо сообщить в Фонд не позднее 7 дней...	В случае изменения реквизитов необходимо сообщить в Фонд не позднее 10 дней...	0
  Как активировать карту Сбера, чтобы начать ей пользоваться?	После получения кредитной карты никаких дополнительных действий совершать не требуется, можно сразу ей пользоваться.	1

• Loss: CosineSimilarityLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 369 evaluation samples
• Columns: sentence1, sentence2, and label
• Approximate statistics based on the first 369 samples:

  	sentence1	sentence2	label
  type	string	string	int
  details	min: 6 tokens mean: 18.25 tokens max: 47 tokens	min: 7 tokens mean: 20.62 tokens max: 61 tokens	0: ~43.63% 1: ~56.37%

• Samples:

  sentence1	sentence2	label
  Можно ли забрать деньги из программы долгосрочного сбережения ПДС?	Да, можно при достижении оснований (15 лет, возраст 55/60, особые ситуации) или досрочно согласно таблице выкупных сумм.	1
  Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 000 рублей.	Минимальный взнос после вступления в программу ПДС (на этапе накопления) - 1 500 рублей.	0
  Закрыть вклад или счет можно в СберБанк Онлайн или в офисе Сбера; при досрочном закрытии срочного вклада теряются проценты.	Прекратить действие вклада или счета можно через интернет-банк СберБанк Онлайн либо в отделении банка; в случае досрочного закрытия срочного вклада начисленные проценты аннулируются.	1

• 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: 16
• learning_rate: 5e-06
• num_train_epochs: 10
• warmup_ratio: 0.1
• load_best_model_at_end: True
• 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: 32
• 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-06
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 10
• 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: True
• 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	binary-sts-validation_cosine_ap
0.2553	12	0.217	-	-
0.5106	24	0.22	-	-
0.7660	36	0.1985	-	-
1.0213	48	0.2037	-	-
1.0638	50	-	0.2223	0.7656
1.2766	60	0.205	-	-
1.5319	72	0.1976	-	-
1.7872	84	0.2051	-	-
2.0426	96	0.1796	-	-
2.1277	100	-	0.2085	0.8037
2.2979	108	0.1993	-	-
2.5532	120	0.188	-	-
2.8085	132	0.1925	-	-
3.0638	144	0.2108	-	-
3.1915	150	-	0.1975	0.8317
3.3191	156	0.1852	-	-
3.5745	168	0.1796	-	-
3.8298	180	0.1981	-	-
4.0851	192	0.1917	-	-
4.2553	200	-	0.1880	0.8486
4.3404	204	0.192	-	-
4.5957	216	0.1955	-	-
4.8511	228	0.1688	-	-
5.1064	240	0.1741	-	-
5.3191	250	-	0.1799	0.8625
5.3617	252	0.1762	-	-
5.6170	264	0.1796	-	-
5.8723	276	0.1786	-	-
6.1277	288	0.177	-	-
6.3830	300	0.1738	0.1739	0.8686
6.6383	312	0.1826	-	-
6.8936	324	0.1599	-	-
7.1489	336	0.1844	-	-
7.4043	348	0.1747	-	-
7.4468	350	-	0.1702	0.8730
7.6596	360	0.1742	-	-
7.9149	372	0.1663	-	-
8.1702	384	0.1658	-	-
8.4255	396	0.1623	-	-
8.5106	400	-	0.1676	0.8756

Framework Versions

• Python: 3.11.2
• Sentence Transformers: 4.1.0
• Transformers: 4.49.0
• PyTorch: 2.5.1
• Accelerate: 1.5.2
• Datasets: 3.5.1
• 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",
}