Omartificial-Intelligence-Space / Arabic-base-all-nli-stsb-quora

SentenceTransformer based on google-bert/bert-base-multilingual-cased

This is a sentence-transformers model finetuned from google-bert/bert-base-multilingual-cased on the all-nli-pair, all-nli-pair-class, all-nli-pair-score, all-nli-triplet, stsb and quora datasets. 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: google-bert/bert-base-multilingual-cased
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity
• Training Datasets:
  • all-nli-pair
  • all-nli-pair-class
  • all-nli-pair-score
  • all-nli-triplet
  • stsb
  • quora
• Language: ar

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: BertModel 
  (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("Omartificial-Intelligence-Space/Arabic-base-all-nli-stsb-quora")
# Run inference
sentences = [
    'ما هي الدروس التي يمكن أن نتعلمها من أدولف هتلر؟',
    'ما هي الدروس التي يمكن أن نتعلمها من أدولف هتلر؟',
    'ما مدى قربنا من الحرب العالمية؟',
]
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 Datasets

all-nli-pair

• Dataset: all-nli-pair
• Size: 314,315 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 6 tokens mean: 24.43 tokens max: 88 tokens	min: 4 tokens mean: 11.73 tokens max: 45 tokens

• Samples:

  anchor	positive
  شخص على حصان يقفز فوق طائرة معطلة	شخص في الهواء الطلق، على حصان.
  أطفال يبتسمون و يلوحون للكاميرا	هناك أطفال حاضرون
  صبي يقفز على لوح التزلج في منتصف الجسر الأحمر.	الفتى يقوم بخدعة التزلج

• Loss: MultipleNegativesRankingLoss with these parameters:

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

all-nli-pair-class

• Dataset: all-nli-pair-class
• Size: 942,069 training samples
• Columns: premise , hypothesis , and label
• Approximate statistics based on the first 1000 samples:

  	premise	hypothesis	label
  type	string	string	int
  details	min: 8 tokens mean: 24.78 tokens max: 72 tokens	min: 4 tokens mean: 13.55 tokens max: 55 tokens	0: ~33.40% 1: ~33.30% 2: ~33.30%

• Samples:

  premise	hypothesis	label
  شخص على حصان يقفز فوق طائرة معطلة	شخص يقوم بتدريب حصانه للمنافسة	1
  شخص على حصان يقفز فوق طائرة معطلة	شخص في مطعم، يطلب عجة.	2
  شخص على حصان يقفز فوق طائرة معطلة	شخص في الهواء الطلق، على حصان.	0

• Loss: SoftmaxLoss

all-nli-pair-score

• Dataset: all-nli-pair-score
• Size: 942,069 training samples
• Columns: sentence1 , sentence2 , and score
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 8 tokens mean: 24.78 tokens max: 72 tokens	min: 4 tokens mean: 13.55 tokens max: 55 tokens	min: 0.0 mean: 0.5 max: 1.0

• Samples:

  sentence1	sentence2	score
  شخص على حصان يقفز فوق طائرة معطلة	شخص يقوم بتدريب حصانه للمنافسة	0.5
  شخص على حصان يقفز فوق طائرة معطلة	شخص في مطعم، يطلب عجة.	0.0
  شخص على حصان يقفز فوق طائرة معطلة	شخص في الهواء الطلق، على حصان.	1.0

• Loss: CoSENTLoss with these parameters:

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

all-nli-triplet

• Dataset: all-nli-triplet
• Size: 557,850 training samples
• Columns: anchor , positive , and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 6 tokens mean: 12.54 tokens max: 72 tokens	min: 6 tokens mean: 16.06 tokens max: 59 tokens	min: 6 tokens mean: 18.13 tokens max: 70 tokens

• Samples:

  anchor	positive	negative
  شخص على حصان يقفز فوق طائرة معطلة	شخص في الهواء الطلق، على حصان.	شخص في مطعم، يطلب عجة.
  أطفال يبتسمون و يلوحون للكاميرا	هناك أطفال حاضرون	الاطفال يتجهمون
  صبي يقفز على لوح التزلج في منتصف الجسر الأحمر.	الفتى يقوم بخدعة التزلج	الصبي يتزلج على الرصيف

• Loss: MultipleNegativesRankingLoss with these parameters:

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

stsb

• Dataset: stsb at 7c6c4bd
• Size: 5,749 training samples
• Columns: sentence1 , sentence2 , and score
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 5 tokens mean: 11.68 tokens max: 34 tokens	min: 5 tokens mean: 11.44 tokens max: 31 tokens	min: 0.0 mean: 0.54 max: 1.0

• Samples:

  sentence1	sentence2	score
  طائرة ستقلع	طائرة جوية ستقلع	1.0
  رجل يعزف على ناي كبير	رجل يعزف على الناي.	0.76
  رجل ينشر الجبن الممزق على البيتزا	رجل ينشر الجبن الممزق على بيتزا غير مطبوخة	0.76

• Loss: CoSENTLoss with these parameters:

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

quora

• Dataset: quora at 7d49308
• Size: 10,000 training samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 7 tokens mean: 19.69 tokens max: 58 tokens	min: 6 tokens mean: 20.15 tokens max: 73 tokens

• Samples:

  anchor	positive
  علم التنجيم: أنا برج الجدي الشمس القمر والقبعة الشمسية...	أنا برج الجدي الثلاثي (الشمس والقمر والصعود في برج الجدي) ماذا يقول هذا عني؟
  كيف أكون جيولوجياً جيداً؟	ماذا علي أن أفعل لأكون جيولوجياً عظيماً؟
  كيف أقرأ وأجد تعليقاتي على يوتيوب؟	كيف يمكنني رؤية كل تعليقاتي على اليوتيوب؟

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Datasets

all-nli-triplet

• Dataset: all-nli-triplet
• Size: 6,584 evaluation samples
• Columns: anchor , positive , and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 5 tokens mean: 25.81 tokens max: 125 tokens	min: 4 tokens mean: 12.09 tokens max: 52 tokens	min: 5 tokens mean: 13.35 tokens max: 42 tokens

• Samples:

  anchor	positive	negative
  امرأتان يتعانقان بينما يحملان حزمة	إمرأتان يحملان حزمة	الرجال يتشاجرون خارج مطعم
  طفلين صغيرين يرتديان قميصاً أزرق، أحدهما يرتدي الرقم 9 والآخر يرتدي الرقم 2 يقفان على خطوات خشبية في الحمام ويغسلان أيديهما في المغسلة.	طفلين يرتديان قميصاً مرقماً يغسلون أيديهم	طفلين يرتديان سترة يذهبان إلى المدرسة
  رجل يبيع الدونات لعميل خلال معرض عالمي أقيم في مدينة أنجليس	رجل يبيع الدونات لعميل	امرأة تشرب قهوتها في مقهى صغير

• Loss: MultipleNegativesRankingLoss with these parameters:

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

stsb

• Dataset: stsb at 7c6c4bd
• Size: 1,500 evaluation samples
• Columns: sentence1 , sentence2 , and score
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 5 tokens mean: 20.19 tokens max: 53 tokens	min: 5 tokens mean: 20.09 tokens max: 54 tokens	min: 0.0 mean: 0.47 max: 1.0

• Samples:

  sentence1	sentence2	score
  رجل يرتدي قبعة صلبة يرقص	رجل يرتدي قبعة صلبة يرقص.	1.0
  طفل صغير يركب حصاناً.	طفل يركب حصاناً.	0.95
  رجل يطعم فأراً لأفعى	الرجل يطعم الفأر للثعبان.	1.0

• Loss: CoSENTLoss with these parameters:

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

quora

• Dataset: quora at 7d49308
• Size: 1,000 evaluation samples
• Columns: anchor and positive
• Approximate statistics based on the first 1000 samples:

  	anchor	positive
  type	string	string
  details	min: 7 tokens mean: 19.66 tokens max: 73 tokens	min: 8 tokens mean: 20.17 tokens max: 96 tokens

• Samples:

  anchor	positive
  ما هو قرارك في السنة الجديدة؟	ما الذي يمكن أن يكون قراري للعام الجديد لعام 2017؟
  هل يجب أن أشتري هاتف آيفون 6 أو سامسونج غالاكسي إس 7؟	أيهما أفضل: الـ iPhone 6S Plus أو الـ Samsung Galaxy S7 Edge؟
  ما هي الاختلافات بين التجاوز والتراجع؟	ما الفرق بين التجاوز والتراجع؟

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size : 128
• num_train_epochs : 1
• warmup_ratio : 0.1

All Hyperparameters

Training Logs

Framework Versions

• Python: 3.9.18
• Sentence Transformers: 3.0.1
• Transformers: 4.40.0
• PyTorch: 2.2.2+cu121
• Accelerate: 0.26.1
• Datasets: 2.19.0
• Tokenizers: 0.19.1

Citation

BibTeX

Sentence Transformers and SoftmaxLoss

@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}
}

CoSENTLoss

@online{kexuefm-8847,
    title={CoSENT: A more efficient sentence vector scheme than Sentence-BERT},
    author={Su Jianlin},
    year={2022},
    month={Jan},
    url={https://kexue.fm/archives/8847},
}