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 <!-- at revision 3f076fdb1ab68d5b2880cb87a0886f315b8146f8 -->
• 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

<!-- - **License:** Unknown -->

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]

<!-- ### Direct Usage (Transformers) <details><summary>Click to see the direct usage in Transformers</summary> </details> --> <!-- ### Downstream Usage (Sentence Transformers) You can finetune this model on your own dataset. <details><summary>Click to expand</summary> </details> --> <!-- ### Out-of-Scope Use *List how the model may foreseeably be misused and address what users ought not to do with the model.* --> <!-- ## Bias, Risks and Limitations *What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* --> <!-- ### Recommendations *What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* -->

Training Details

Training Datasets

all-nli-pair

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

  	anchor	positive
  type	string	string
  details	<ul><li>min: 6 tokens</li><li>mean: 24.43 tokens</li><li>max: 88 tokens</li></ul>	<ul><li>min: 4 tokens</li><li>mean: 11.73 tokens</li><li>max: 45 tokens</li></ul>

• Samples:

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

• Loss: <code>MultipleNegativesRankingLoss</code> 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: <code>premise</code>, <code>hypothesis</code>, and <code>label</code>
• Approximate statistics based on the first 1000 samples:

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

• Samples:

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

• Loss: <code>SoftmaxLoss</code>

all-nli-pair-score

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

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

• Samples:

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

• Loss: <code>CoSENTLoss</code> with these parameters:

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

all-nli-triplet

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

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 6 tokens</li><li>mean: 12.54 tokens</li><li>max: 72 tokens</li></ul>	<ul><li>min: 6 tokens</li><li>mean: 16.06 tokens</li><li>max: 59 tokens</li></ul>	<ul><li>min: 6 tokens</li><li>mean: 18.13 tokens</li><li>max: 70 tokens</li></ul>

• Samples:

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

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

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

stsb

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

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

• Samples:

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

• Loss: <code>CoSENTLoss</code> with these parameters:

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

quora

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

  	anchor	positive
  type	string	string
  details	<ul><li>min: 7 tokens</li><li>mean: 19.69 tokens</li><li>max: 58 tokens</li></ul>	<ul><li>min: 6 tokens</li><li>mean: 20.15 tokens</li><li>max: 73 tokens</li></ul>

• Samples:

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

• Loss: <code>MultipleNegativesRankingLoss</code> 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: <code>anchor</code>, <code>positive</code>, and <code>negative</code>
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	<ul><li>min: 5 tokens</li><li>mean: 25.81 tokens</li><li>max: 125 tokens</li></ul>	<ul><li>min: 4 tokens</li><li>mean: 12.09 tokens</li><li>max: 52 tokens</li></ul>	<ul><li>min: 5 tokens</li><li>mean: 13.35 tokens</li><li>max: 42 tokens</li></ul>

• Samples:

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

• Loss: <code>MultipleNegativesRankingLoss</code> with these parameters:

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

stsb

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

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

• Samples:

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

• Loss: <code>CoSENTLoss</code> with these parameters:

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

quora

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

  	anchor	positive
  type	string	string
  details	<ul><li>min: 7 tokens</li><li>mean: 19.66 tokens</li><li>max: 73 tokens</li></ul>	<ul><li>min: 8 tokens</li><li>mean: 20.17 tokens</li><li>max: 96 tokens</li></ul>

• Samples:

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

• Loss: <code>MultipleNegativesRankingLoss</code> 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

<details><summary>Click to expand</summary>

• overwrite_output_dir: False
• do_predict: False
• prediction_loss_only: True
• per_device_train_batch_size: 128
• per_device_eval_batch_size: 8
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_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: 1.0
• num_train_epochs: 1
• 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
• 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, '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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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_sampler: batch_sampler
• multi_dataset_batch_sampler: proportional

</details>

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},
}

<!-- ## Glossary *Clearly define terms in order to be accessible across audiences.* --> <!-- ## Model Card Authors *Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* --> <!-- ## Model Card Contact *Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* -->