Old_News_Segmentation_SBERT_V0.1 / README.md

JohanHeinsen

Add new SentenceTransformer model

706f3ac verified 7 months ago

preview code

raw

history blame

15.5 kB

metadata

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - generated_from_trainer
  - dataset_size:20502
  - loss:CosineSimilarityLoss
base_model: CALDISS-AAU/DA-BERT_Old_News_V1
widget:
  - source_sentence: >-
      Spurgte man ham, hvorledes dette skulde forstaaes, svarede han"Naar
      Varepriserne vare faldne, gjorde jeg Jndkjøb og betalte altid lidt mere
      end Andre, saa enhver gjerne vilde sælge til mig; steeg Varerne, solgte
      jeg igjen lidt billigere end Andre, og fik derved i en Hast mit Forraad
      udsolgt, inden Priserne faldt igien."
    sentences:
      - >-
        Paa Pregels venstre Side derimod stiger Vandet saaledes, at der i
        Landsbyen Mulden er skeet betydelig Skade ved Oversvømmelse af den der
        værende lille Flod.
      - >-
        Fra Aamodts Præstegield i Østerdalen skrives følgende under 17de Marts,
        Sidstafvigte Onsdag Aften, imellem Kl. 7 og 8, blev her begaaet et
        skrækkeligt Mord paa 2de svenske Handelskarle.
      - >-
        Gaardens Bygninger, som bestaaeraf 11 Fag Grundmuur til Gaden med Qvist
        over, samt 21 Fag Muur- og Bindingsværk til Gaarden, og som alt er ny
        opbygget for 11 Aar siden, ere i Kiøbstædernes Brandasseurance
        forsikkrede for den Summa 6220 Rbdlr.
  - source_sentence: Danske Bancosedler 36 Procent slett, end Species, 80 Rdl.
    sentences:
      - Species, dansk Courant Rdl.
      - 16 Rbdlr.
      - >-
        Medlidenhed, maatte vriste disse elendige Medbrødre ud af Egennyttens og
        Slendrians aldrig tillukte Svælg.
  - source_sentence: >-
      - Fra Peru meldes, at General Santa Crux var den 25de Marts ankommen til
      Ecuador; hans Magt maae altsaa være aldeles tilintetgjort.
    sentences:
      - Holland.
      - >-
        Udi afvigte Aar 1818 ere i Budolphi Sogn Ægtevid27 Par; fødte af
        Mandkiøn 51 og af Qvindekiøn 61, tilsammen af begge Kiøn 112, deriblandt
        et Par Tvillinger og 11 Uægte.
      - >-
        For Honoratiores og simplere Reisende findes her 6 Værelser med 1 Seng i
        hver, i hvilken i Nødsfald og efter Overeenskomst kunde ligge 2
        Personer.
  - source_sentence: >-
      - Jndbrud og Kirkeran begaaes i denne Tid i Nærheden af Hovedstaden; 2
      Kieler have havt saadan Skjebne; den ene mistede alle sine Solvkar og
      Kostbarheder fra Oldtiden af.
    sentences:
      - Sambreog Maatzarmeen maae være i en elændig Tilstand.
      - >-
        4) Hvad der i Reglementets 5 7 er bestemt i Henseende til, at Kaperie ei
        maae drives under de svenske Kyster ved Øresund, bortfalder.
      - Man formoder af Dragten at Ransmændene vare Søfolk.
  - source_sentence: >-
      Hos Undertegnede paa Hjørnet af Mellemkakken, haves om ønskes til Leie
      strax eller til 1ste November 2de Værelser, Kjøkken med Kjælder, samt
      Loftrum og et Overkammer, Thisted den 4de Juli 1845. Lars Chr.
    sentences:
      - Cours.
      - Weie.
      - Rusland.
pipeline_tag: sentence-similarity
library_name: sentence-transformers

SentenceTransformer based on CALDISS-AAU/DA-BERT_Old_News_V1

This is a sentence-transformers model finetuned from CALDISS-AAU/DA-BERT_Old_News_V1. 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: CALDISS-AAU/DA-BERT_Old_News_V1
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: 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("JohanHeinsen/Old_News_Segmentation_SBERT_V0.1")
# Run inference
sentences = [
    'Hos Undertegnede paa Hjørnet af Mellemkakken, haves om ønskes til Leie strax eller til 1ste November 2de Værelser, Kjøkken med Kjælder, samt Loftrum og et Overkammer, Thisted den 4de Juli 1845. Lars Chr.',
    'Weie.',
    'Rusland.',
]
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: 20,502 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: 4 tokens
mean: 27.64 tokens
max: 314 tokens

min: 4 tokens
mean: 27.19 tokens
max: 218 tokens

min: 0.0
mean: 0.45
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 4 tokens mean: 27.64 tokens max: 314 tokens	min: 4 tokens mean: 27.19 tokens max: 218 tokens	min: 0.0 mean: 0.45 max: 1.0

Samples:

sentence_0	sentence_1	label
`Slagelse den 31te Januar 1818. Vastholm.`	`Sølv til Amtets Fattigkasse forbudt, efter privat Overeenskomst med vedkommende Ægtpligtige at modtage Vederlag, enten i Penge, eller andre Præstationer, istedet for Befordring en naturg.`	`0.0`
`– Ved Opholdet i Louisenlund har Hs. Majestæt Kongen den 10de dennes allernaadigst egenhændigen overlevet Storcommandeurkorset af Dannebrogen til Allerhøistsammes Svigerfader Hs. Durchl.`	`Landgreve Carl til Churbessen, Generalfeldtmarskal Stadtholder i Hertugdømmene Slesvig og Holsteen, Ridder af Elefanten og Dannebrogsmand.`	`1.0`
`, samt Eieren af Riignorgaard i Amtet Gottorf, H. Petersen, udnævnte til Landmaalere.`	`Under Finants-Collegiet: Til Kasserer for de specielle Oppebørseler i Hertugdommene, har Hs. Majestæt, under 26de Juli dette Aar, udnævnt C. Schleth, Kasserer, Bogholder og Regnskabsfører ved Travensalzer Salme; forhenværende Revisor ved den grønlandske Handel, N. Døller, udnævnt til General-Revisor ved Lottoet i Kjøbenhavn.`	`0.0`

Loss: CosineSimilarityLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 16
per_device_eval_batch_size: 16
num_train_epochs: 2
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: 2
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}
tp_size: 0
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
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: batch_sampler
multi_dataset_batch_sampler: round_robin

Training Logs

Epoch	Step	Training Loss
0.3900	500	0.1395
0.7800	1000	0.1189
1.1700	1500	0.1008
1.5601	2000	0.0785
1.9501	2500	0.0803

Framework Versions

Python: 3.11.12
Sentence Transformers: 4.1.0
Transformers: 4.51.3
PyTorch: 2.7.0
Accelerate: 1.6.0
Datasets: 2.19.2
Tokenizers: 0.21.1

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",
}