alakxender / e5-dhivehi-combined-mnr

SentenceTransformer

This is a sentence-transformers 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: 256 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': 256, 'do_lower_case': False, 'architecture': '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})
)

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("alakxender/e5-dhivehi-combined-trained-mnr-mx")
# Run inference
sentences = [
    'query: ޔުމްނުގެ ބަޔާން ނަގަން ރަސްމީކޮށް ފުލުހުން އެދިފައެއް ނުވޭ: އާއިލާ',
    'passage: އެ ސިޓީގައި، ފުލުހުން ނެރުނު ބަޔާނުގައި ހުރީ ހަގީގަތާ ހިލާފު ވާހަކަތަކެއް ކަމަށް ބުނެފައިވެ އެވެ. އަދި އެ މައްސަލައާ ގުޅިގެން މީގެ ކުރިން ވެސް ހަގީގަތާ ހިލާފު މައުލޫމާތު ފުލުހުން ހާމަކޮށްފައިވާ ކަމަށް ތުހުމަތުކޮށްފައިވެ އެވެ.\n\nހ. ފެންޓެނޯއީ ގޭގެ ނުވަވަނަ ފަންގިފިލާއިން ގުދަނެއްގެ ފުރާޅު މައްޗަށް ހައްވާ ޔުމްނު ރަޝީދުގެ ބަޔާން ނެގުމަށް ރަސްމީކޮށް ފުލުހުން އެދިފައި ނުވާ ކަމަށް އާއިލާއިން ބުނެފި އެވެ.\n\nމި މައްސަލައާ ގުޅިގެން ފުލުހުން މިދިޔަ ބުރާސްފަތި ދުވަހު ނެރުނު ބަޔާނެއްގައި ބުނެފައި ވަނީ ޔުމްނުގެ ބަޔާން ނެގުމަށް މަސައްކަތް ކުރަމުންދާ ކަމަށާއި ނަމަވެސް އާއިލާގެ އެއްބާރުލުން ނުލިބޭ ކަމަށެވެ. ޔުމްނު މެލޭޝިއާއަށް އިތުރު ފަރުވާއަށް ގެންދިޔަ ދުވަހުން ފެށިގެން ދެ ފުލުހުން އެ ގައުމުގައި ތިބި ކަމަށް ވެސް ފުލުހުން ބުންޏެވެ.ފުލުހުން ނެރުނު ބަޔާނާ ގުޅިގެން ޔުމްނުގެ އާއިލާއިން މިއަދު ވަނީ\xa0އެކްޓިން ޕޮލިސް ކޮމިޝަނަރު އިސްމާއީލް ނަވީނަށް ސިޓީއެއް ފޮނުވައިފަ އެވެ. އެ ސިޓީގައި، ފުލުހުން ނެރުނު ބަޔާނުގައި ހުރީ ހަގީގަތާ ހިލާފު ވާހަކަތަކެއް ކަމަށް ބުނެފައިވެ އެވެ. އަދި އެ މައްސަލައާ ގުޅިގެން މީގެ ކުރިން ވެސް ހަގީގަތާ ހިލާފު މައުލޫމާތު ފުލުހުން ހާމަކޮށްފައިވާ ކަމަށް ތުހުމަތުކޮށްފައިވެ އެވެ.އޭގެ އިތުރުން، ތަހުގީގަށް އެންމެ ނާޒުކު ދަނޑިވަޅުގައި ފުލުހުން އަމަލުކޮށްފައިވާ ގޮތުން، އިންސާފުވެރިކަމާއެކު ތަހުގީގު ކުރިއަށް ގެންދާނެ ކަމުގެ ޔަގީންކަން މިހާރު ނެތް ކަމަށާއި، ނަމަވެސް ރާއްޖޭގެ ގާނޫނުތަކާއި ގަވައިދުތަކަށް ތަބާވުމުގެ ގޮތުން ފުލުހުން ކުރިއަށް ގެންދާ އެއްވެސް ތަހުގީގަކަށް އާއިލާއިން ހުރަސް ނާޅާނެ ކަމަށް ސިޓީގައިވެ އެވެ.ޔުމްނުގެ ދައްތަ، އާއިޝަތު ނާއިޝާ އަހުމަދު ރަޝީދު ސޮއިކޮށް ފޮނުވި އެ ސިޓީގައި ވަނީ ޔުމްނުގެ ބަޔާން ނަގަން ފުލުހުން ރަސްމީކޮށް އެދިފައި ނުވާ ކަމަށާއި، ބަޔާނެއް ނަގަން ރަސްމީކޮށް ލިޔުމުން އަންގައިފިނަމަ، އެކަމަށް އާއިލާއިން ޖަވާބުދާރީވާނެ ކަމަށެވެ.\xa0\n\n"ހައްވާ ޔުމްނު ރަޝީދަށް ލިބިފައިވާ އަނިޔާތަކާ ގުޅިގެން އޭނާ މިވަގުުތު އޮތީ ތަހުގީގަށް ބަޔާން ދެވޭ ފަދަ ހާލަތެއްގައި ނޫންކަން ޑޮކްޓަރުންގެ ރަސްމީ ލިޔުންތަކުން ވެސް އެނގެން އޮތްކަމުގައި ދަންނަވަމެވެ." އެ ސިޓީގައިވެ އެވެ.ސިޓީގައި ބުނެފައި ވަނީ ޔުމްނުގެ ހާލަތާ ގުޅޭ އެއްވެސް މައުލޫމާތެއް އާއިލާއިން ފުލުހުންނާ ހިއްސާ ނުކުރާ ކަމަށް ފުލުހުން ބުނި ނަމަވެސް، އެފަދަ މައުލޫމާތެއް ހޯދަން ފުލުހުންގެ ފަރާތުން އެދިފައިވެސް ނުވާ ކަމަށެވެ. އަދި، ފުލުހުންގެ ތަހުގީގަށް އާއިލާއިން އެއްބާރުލުން ނުދޭ ކަމަށް ބުނާ ވާހަކަ ވެސް ދޮގުކޮށްފައިވެ އެވެ. އެގޮތުން، ޔުމްނުގެ އާއިލާއާ ޗީފް އިންސްޕެކްޓާ އޮފް ޕޮލިސް ޑރ. ހަސަން އުމައިރު، މެލޭޝިއާގައި ދޮޅުގަޑިއެއްހާއިރު ބައްދަލުވުމެއް ބާއްވައިފައިވާކަން އެ ސިޓީގައި ބަޔާންކޮށްފައިވެ އެވެ."އާއިލާގެ އެންމެ ބޮޑު މަސްލަހަތެއް މިވަގުތު އޮތީ އޭނާއަށް އެކަށީގެންވާ ފަރުވާ ލިބިދިނުމާއެކު، އޭނާއަށް އިންސާފު ހޯދުމަށް މަސައްކަތް ކުރުމުގައެވެ. އެކަމުގައި ގާނޫނުތަކާއި ގަވައިދުތަކާ އެއްގޮތްވާ ގޮތުގެ މަތީން ފުލުހުންނަށް ދޭން ޖެހޭ އެންމެހާ އެއްބާރުލުމެއް އާއިލާގެ ފަރާތުން ދޭނެކަމުގައި ދަންނަވަމެވެ." އެ ސިޓީގައިވެ އެވެ.\n\nމި މަސައްކަތުގައި އަހަރެމެން ހަމަ ހަމަ ވާނެ، އިންސާފުވެރި ވާނެ، އިތުބާރު ދަމަހައްޓާނެ',
    'query: ޖެނުއަރީ 2008 ގައި ކޭބީޖީވައި އިން ވަނީ އެމްއެންގެ އަލްބަނީގައި ހުންނަ ކޭއެލްސީއައި 106.1 އާއި އެމްއެންގެ އެލްކް ރިވަރގައި ހުންނަ ކޭޑީޑީޖީ 105.5 އިން ހެނދުނުގެ ޝޯ އެއްފަހަރާ ކާސްޓް ކުރަން ފަށާފައެވެ .',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities)
# tensor([[ 1.0000,  0.7517, -0.0737],
#         [ 0.7517,  1.0000, -0.0515],
#         [-0.0737, -0.0515,  1.0000]])

Training Details

Training Dataset

• Size: 184,780 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 8 tokens mean: 31.39 tokens max: 175 tokens	min: 16 tokens mean: 164.09 tokens max: 256 tokens

• Samples:

  sentence_0	sentence_1
  query: މި މެހެމާންދާރީއަކީ ދިވެހި ޓޫރިޒަމްގެ ހާއްސަ ސިފައެއް، އެކަމަށް ހުރަސް އެޅުން ގޯސް	passage: ދިވެހި ޓޫރިޒަމްގެ ތަޖުރިބާކާރަކަށް 'ދައުރު'ން ސުވާލުކުރީމެވެ. އެއާޕޯޓް ރެޕުންނަކީ ޓޫރިޒަމްގެ ކިހާ މުހިންމު ބައެއް ހެއްޔެވެ؟ "އެއީ ދިވެހިންގެ ފުރަތަމަ މަރުހަބާ. ރާއްޖޭގެ ޓޫރިޒަމްގެ މެހެމާންދާރީ ފެށިގެން އަންނަނީ އެ ރެޕުންގެ ފަރާތުން،" އޭނާ ވިދާޅުވި އެވެ. އެއާޕޯޓް ރެޕުންނަށް ޓޫރިސްޓުން ގޮވައިގެން ޗެކިން ކައުންޓަރުތަކާ ހަމައަށް ނުދެވޭ ގޮތެއް ހަދައިފިއްޔާ ވާނީ ކިހިނެއް ހެއްޔެވެ؟ "ފުރަތަމަ ވިސްނާލާ، ރާއްޖޭގެ ޓޫރިޒަމަކީ އެހާ މަތީ ފެންވަރުގައި ވެސް އޮތް ދާއިރާއެއް. އެހެންވީމާ އެހެން ގައުމުތަކުގެ އެއާޕޯޓްގައި ހަދާހެން، ދޫކޮށްލައިގެން ކަމަކުނުދާނެ. އެ މީހުންނަށް އެހީތެރިވާނެ ގޮތްތައް އަހަރެމެންގެ ޓޫރިޒަމުން އުފަންކުރުވީ. އެހެންވެއެއްނު މެހެމާންދާރީ ރަނގަޅޭ ބުނަނީ." ދިވެހި ޓޫރިޒަމާ ގުޅިފައި ހުރި ތިޔަ ކަހަލަ ތަފާތު ސިފަތައް އެމްއޭސީއެލްގެ ވެރިންނަށް އެނގިވަޑައިނުގަންނަވާނެ ހެއްޔެވެ؟ "ސިޔާސީ ގޮތުން މަގާމު ދޭ މީހުން ނުވިސްނާނެ އެކަންކަމަކަށް. އެ މީހުންގެ ނޯވޭ ގިނަ ބަޔަކާ ގުޅިގެން މަސައްކަތްކުރުމުގެ ރޫހެއް. އެމީހުންނަށް ފެންނަ ގޮތް އެއީ ރަނގަޅު ގޮތް." އެ ތަޖުރިބާކާރުގެ ނަން ޖަހާނެ ކަ...
  query: ރާއްޖެއަށް އެތެރެކުރަން އުޅުނު 3 ކިލޯގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ވައިގެމަގުން ރާއްޖެ އެތެރެކުރަން އުޅުނު 2.4 ކިލޯގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ރާއްޖެ އައި އިންޑިއާ ރައްޔިތެއްގެ ލަގެޖުން 235 ގްރާމްގެ މަސްތުވާތަކެތި އަތުލައިގެންފި ރާއްޖެއަށް އެތެރެކ	passage: ވައިގެ މަގުން ރާއްޖެ އެތެރެކުރަން އުޅުނު 18 ކިލޯގެ މަސްތުވާތަކެތީގެ މައްސަލައިގައި، އެތަކެތި ބަލައިދިޔަ 35 އަހަރުގެ ބަންގްލަދޭޝް މީހަކު ހައްޔަރުކޮށްފިއެވެ. ފުލުހުން ބުނީ މި މައްސަލައާ ގުޅުގެން ކާގޯ ކްލިއާ ކުރަން ދިޔަ ބަންގްލަދޭޝަށް ނިސްބަތްވާ 35 އަހަރުގެ ބިދޭސީއެއް ފުލުހުންގެ ބެލުމުގެ ދަށަށް ގެނެސްފައިވާ ކަމަށެވެ. ކަސްޓަމްސްއިން ބުނީ 33 ޕެކެޓެގައިހުރި މިތަކެތި ފުރަތަމަ މަރުހަލާގެ ތަހުގީގުން މަސްތުވާތަކެތީގެ ބާވަތެއްކަމުގައިވާ ކެނަބިނޮއިޑް އޮއިލްއަށް ޕޮޒިޓިވްވެފައިވާކަމަށެވެ. މިތަކެތި ރާއްޖެ ގެނެސްފައިވަނީ ބެންގަލޫރު މަގުން ރާއްޖެއައި ފްލައިޓެއްގައެވެ. ހޯމް މިނިސްޓަރު އަލީ އިހުސާން ކުރެއްވި ޓްވީޓެއްގައި ވަނީ، ރޭ އަތުލައިގަތް މަސްތުވާތަކެތީގެ މަގުމަތީ އަގުން ބަލާނަމަ މިތަކެތީގެ އަގު ގާތްގަނޑަކަށް 26 މިލިއަން ރުފިޔާއަށް އަރާނެ ކަމަށެވެ. ރާއްޖޭގެ ބޯޑަރު ފުރިހަމަޔަށް ބެލެހެޓުމަށް ކަސްޓަމްސްގެ މުވައްޒަފުން ކުރައްވާ އަގުހުރި ބުރަ މަސައްކަތަށް ޝުކުރު އަދާކުރައްވަމުން އިހްސާން ވިދާޅުވީ މަސްތުވާތަކެތީގެ ވިޔަފާރިކުރާ ފަރާތްތަކަށް ފަހިކޮށް އޮތް މާހައުލު ނައްތާލައި އެފަރާތްތަކާ ގާނޫނު އ...
  query: ޝަމްއާން ވަކިކުރުމުގެ މަސައްކަތް ފެށީ އޭނާ އަތުގައި އިހުސާންގެ ވީޑިއޯއެއް އޮތްކަން އެނގިގެން: ޝަމްއާންގެ އާއިލާ ޝަމްއާން ވަކިކުރުމުގެ މަސައްކަތް ފެށީ އޭނާ އަތުގައި އިހުސާންގެ ވީޑިއޯއެއް އޮތްކަން އެނގިގެން: ޝަމްއާންގެ އާއިލާ	passage: އިމިގްރޭޝަނުގެ ކުރީގެ ކޮންޓްރޯލަރު، ޝަމްއާން ވަހީދު ހައްޔަރުކުރުމުގެ މަސައްކަތް ފެށީ ހޯމް މިނިސްޓަރު، އަލީ އިހުސާންގެ ވީޑިއޯއެއް ޝަމްއާންގެ އަތުގައި އޮތް ކަމުގެ މައުލޫމާތު އިހުސާންއަށް ލިބުމުން ކަމަށް ޝަމްއާންގެ އާއިލާއިން ބުނެފި އެވެ. ޝަމްއާންގެ އާއިލާއިން މިރޭ ނެރުނު ނޫސްބަޔާނެއްގައި ބުނީ ޝަމްއާން ހައްޔަރު ކުރީ އިހުސާންގެ ކޮރަޕްޝަންގެ މައްސަލަތައް ރައްޔިތުންނާ ހިއްސާ ކުރާނެ ކަމުގެ ބިރަށް އެ މައްސަލަތަކަށް ފަސް އެޅުމުގެ ގޮތުން ކަމަށެވެ. "ޝަމްއާން ވަޒީފާއިން ދުރުކޮށް ޝަމްއާން ބަންދުކުރެވޭނެ ގޮތެއް ހޯދަން މިނިސްޓަރު އިހުސާން މަސައްކަތްކުރަން ފެށި އިތުރު ސަބަބަކީ ޝަމްއާންގެ އަތުގައި މިނިސްޓަރު އިހުސާންގެ "ވީޑިއޯއެއް" އޮތްކަމުގެ މަޢުލޫމާތު މިނިސްޓަރު އިޙުސާންއަށް އެކިގޮތްގޮތުން ލިބުނު ހިސާބުން ކަމަށް މައުލޫމާތު ލިބިފައިވޭ،" ޝަމްއާންގެ އާއިލާއިން ނެރުނު ނޫސްބަޔާނުގައި ބުންޏެވެ. އޭގެ އިތުރުން އިމިގްރޭޝަން ކޮންޓްރޯލަރުގެ މަގާމުން ޝަމްއާން ވަކި ކުރީ އިހުސާންއާ ގާތް ގުޅުމެއް އޮންނަ ބިދޭސީއެއް ހައްޔަރު ކުރިތާ 24 ގަޑިއިރުގެ ތެރޭގައި ކަމަށް ވެސް ޝަމްއާންގެ އާއިލާއިން ބުންޏެވެ. އެ ބިދޭ...

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size : 32
• per_device_eval_batch_size : 32
• num_train_epochs : 10
• multi_dataset_batch_sampler : round_robin

All Hyperparameters

Training Logs

Framework Versions

• Python: 3.9.21
• Sentence Transformers: 5.0.0
• Transformers: 4.52.4
• PyTorch: 2.5.1+cu124
• Accelerate: 1.3.0
• Datasets: 3.2.0
• 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}
}