legal-embedding-finetune

SentenceTransformer based on bkai-foundation-models/vietnamese-bi-encoder

This is a sentence-transformers model finetuned from bkai-foundation-models/vietnamese-bi-encoder on the json dataset. 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: bkai-foundation-models/vietnamese-bi-encoder <!-- at revision 84f9d9ada0d1a3c37557398b9ae9fcedcdf40be0 -->
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • json

<!-- - **Language:** Unknown --> <!-- - **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': 256, 'do_lower_case': False, 'architecture': 'RobertaModel'})
  (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("bachminion/legal-embedding-finetune")
# Run inference
sentences = [
    'Điều 10 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống',
    'Điều 10 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống có nội_dung như sau : \n \n Điều 10 . Kiểm_kê tài_sản \n 1 . Kiểm_kê tài_sản là việc cân , đong , đo , đếm số_lượng ; xác_nhận và đánh_giá chất_lượng , giá_trị của tài_sản , nguồn vốn hiện có tại thời_điểm kiểm_kê để kiểm_tra , đối_chiếu với số_liệu trong sổ kế_toán . \n 2 . Các đơn_vị KBNN phải kiểm_kê tài_sản trong các trường_hợp sau : \n - Cuối kỳ kế_toán tháng , năm , trước khi lập báo_cáo tài_chính ; \n - Chia , tách , hợp_nhất , sáp_nhập , giải_thể , chấm_dứt hoạt_động ; \n - Xảy ra_hỏa_hoạn , lũ_lụt và các thiệt_hại bất_thường khác ; \n - Đánh_giá lại tài_sản theo quyết_định của cơ_quan nhà_nước có thẩm_quyền ; \n - Các trường_hợp khác theo quy_định của pháp_luật và theo yêu_cầu của cơ_quan nhà_nước có thẩm_quyền . \n 3 . Sau khi kiểm_kê tài_sản , đơn_vị KBNN phải lập báo_cáo tổng_hợp kết_quả kiểm_kê . Trường_hợp có chênh_lệch giữa số_liệu thực_tế kiểm_kê với số_liệu ghi trên sổ kế_toán , phải xác_định nguyên_nhân và phải phản_ánh số chênh_lệch và kết_quả xử_lý vào sổ kế_toán trước khi lập báo_cáo tài_chính . \n 4 . Việc kiểm_kê phải phản_ánh đúng thực_tế tài_sản , nguồn hình_thành_tài_sản tại đơn_vị ; người lập và ký báo_cáo tổng_hợp kết_quả kiểm_kê phải chịu trách_nhiệm về kết_quả kiểm_kê tại đơn_vị mình .',
    'Tôi có hơn 6 năm làm giảng_viên đại_học , có chứng_chỉ nghiệp_vụ sư_phạm dành cho giảng_viên đại_học , cao_đẳng do Trường Đại_học Vinh cấp . Hiện tôi muốn nộp đơn xin vào dạy tại trường trung_học phổ_thông . Tôi tốt_nghiệp hệ kỹ_sư , có bằng thạc_sĩ . Xin hỏi , trường_hợp của tôi có đủ tiêu_chuẩn để giảng_dạy cấp trung_học phổ_thông không ? Bộ Giáo_dục và Đào_tạo trả_lời vấn_đề này như sau : Điểm c , Khoản 1 , Điều 77Luật Giáo dụcquy định trình_độ chuẩn được đào_tạo của giáo_viên trung_học phổ_thông là : “ Có bằng tốt_nghiệp đại_học sư_phạm hoặc có bằng tốt_nghiệp đại_học và có chứng_chỉ bồi_dưỡng nghiệp_vụ sư_phạm đối_với giáo_viên trung_học phổ_thông ” . Ông Nguyễn_Trấn Thành cần đối_chiếu với quy_định trên xem mình có đủ điều_kiện để dạy cấp trung_học phổ_thông không . Trường_hợp ông đủ điều_kiện thì vẫn phải thực_hiện quy_trình tuyển_dụng hoặc thuyên_chuyển công_tác theo quy_định của cơ_sở giáo_dục .',
]
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, 0.8870, 0.0098],
#         [0.8870, 1.0000, 0.0413],
#         [0.0098, 0.0413, 1.0000]])

<!-- ### 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 Dataset

json

• Dataset: json
• Size: 64,542 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: 16.55 tokens</li><li>max: 32 tokens</li></ul>	<ul><li>min: 13 tokens</li><li>mean: 175.78 tokens</li><li>max: 256 tokens</li></ul>

• Samples:

  anchor	positive
  <code>Mức phạt khi thi_công công_trình trong phạm_vi đất dành cho đường_bộ khi đã hết thời_hạn thi_công</code>	<code>Điều 13 . Xử_phạt các hành_vi vi_phạm_quy_định về thi_công , bảo_trì công_trình trong phạm_vi đất dành cho đường_bộ 1 . Cảnh_cáo hoặc phạt tiền từ 250.000 đồng đến 500.000 đồng đối_với cá_nhân , từ 500.000 đồng đến 1.000.000 đồng đối_với tổ_chức thực_hiện_hành_vi thi_công trên đường_bộ đang khai_thác không treo biển_báo thông_tin công_trình hoặc treo biển_báo thông_tin không đầy_đủ nội_dung theo quy_định . <br> 2 . Phạt tiền từ 1.000.000 đồng đến 3.000.000 đồng đối_với cá_nhân , từ 2.000.000 đồng đến 6.000.000 đồng đối_với tổ_chức thực_hiện một trong các hành_vi vi_phạm sau đây : <br> a ) Thi_công công_trình trong phạm_vi đất dành cho đường_bộ không thực_hiện theo đúng các quy_định trong Giấy_phép thi_công hoặc trong văn_bản thỏa_thuận thi_công của cơ_quan có thẩm_quyền , trừ các hành_vi vi_phạm_quy_định tại khoản 3 , điểm a khoản 4 , khoản 5 Điều này ; <br> b ) Không bố_trí người hướng_dẫn , điều_khiển giao_thông khi thi_công ở chỗ đường hẹp hoặc ở hai đầu cầu , cống , đường ngầm đang thi_công...</code>
  <code>Điều 51 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống</code>	<code>Điều 51 Thông_tư 08 / 2013 / TT - BTC hướng_dẫn thực_hiện kế_toán nhà_nước áp_dụng Hệ_thống có nội_dung như sau : <br> <br> Điều 51 . Nguyên_tắc hạch_toán theo kỳ <br> Nghiệp_vụ kinh_tế phát_sinh ở kỳ nào phải hạch_toán vào kỳ đó . <br> Các trường_hợp phát_sinh yêu_cầu điều_chỉnh số_liệu liên_quan đến ngân_sách năm hiện_hành , chỉ được hạch_toán điều_chỉnh vào kỳ ( tháng ) hiện_tại . Trường_hợp cần điều_chỉnh vào kỳ ( tháng ) phát_sinh nghiệp_vụ kinh_tế ( kỳ quá_khứ ) , trước khi điều_chỉnh phải được sự đồng_ý của KBNN. <br> Các trường_hợp điều_chỉnh số_liệu liên_quan đến ngân_sách năm trước được hạch_toán vào kỳ điều_chỉnh ( tháng 13 ) của năm trước .</code>
  <code>UBND xã có trách_nhiệm gì trong yêu_cầu bồi_thường thiệt_hại về môi_trường ?</code>	<code>Theo Điều 131 Luật Bảo_vệ môi_trường 2020 quy_định về trách_nhiệm yêu_cầu bồi_thường thiệt_hại và xác_định thiệt , hại về môi_trường như sau : <br> <br> 1 . Ủy_ban nhân_dân các cấp , tổ_chức , cá_nhân phát_hiện môi_trường có dấu_hiệu bị ô_nhiễm , suy_thoái thông_báo cho cơ_quan có trách_nhiệm yêu_cầu bồi_thường và tổ_chức thu_thập , thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái quy_định tại khoản 2 Điều này . <br> 2 . Trách_nhiệm yêu_cầu bồi_thường và tổ_chức thu_thập , thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái được quy_định như sau : <br> a ) Ủy_ban nhân_dân cấp xã có trách_nhiệm yêu_cầu bồi_thường thiệt_hại về môi_trường gây ra trên địa_bàn thuộc phạm_vi quản_lý của mình . Trong trường_hợp này , Ủy_ban nhân_dân cấp xã đề_nghị Ủy_ban nhân_dân cấp huyện tổ_chức thu_thập và thẩm_định dữ_liệu , chứng_cứ để xác_định thiệt_hại đối_với môi_trường do ô_nhiễm , suy_thoái ; <br> <br> <br> Ủy_ban nhân_dân cấp xã có trá...</code>

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

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Evaluation Dataset

json

• Dataset: json
• Size: 7,172 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: 4 tokens</li><li>mean: 16.02 tokens</li><li>max: 51 tokens</li></ul>	<ul><li>min: 16 tokens</li><li>mean: 178.24 tokens</li><li>max: 256 tokens</li></ul>

• Samples:

  anchor	positive
  <code>Thư_ký chuyên_môn của Hội_đồng đạo_đức nghiên_cứu y_sinh_học được quy_định như thế_nào ?</code>	<code>Điều 12 . Thư_ký của Hội_đồng đạo_đức 1 . Thư_ký chuyên_môn của Hội_đồng đạo_đức <br> a ) Số_lượng thư_ký chuyên_môn do Chủ_tịch Hội_đồng đạo_đức đề_xuất người đứng đầu tổ_chức thành_lập Hội_đồng đạo_đức quyết_định đủ để hỗ_trợ Hội_đồng đạo_đức trong việc xem_xét và lưu_giữ hồ_sơ nhiệm_vụ của mình . Đối_với Hội_đồng đạo_đức cấp quốc_gia tối_đa không quá 03 người , đối_với Hội_đồng đạo_đức cấp cơ_sở tối_đa không quá 02 người . <br> b ) Thư_ký chuyên_môn là những người trung_thực , khách_quan , có trình_độ đại_học về khối ngành sức_khỏe , có kiến_thức về quản_lý khoa_học công_nghệ , nghiên_cứu khoa_học , đạo_đức trong nghiên_cứu y_sinh_học và được đào_tạo đầy_đủ để hiểu được trách_nhiệm của họ liên_quan đến bảo_mật hồ_sơ của Hội_đồng đạo_đức . Thành_viên Hội_đồng đạo_đức có_thể kiêm_nhiệm làm thư_ký chuyên_môn của Hội_đồng đạo_đức . <br> 2 . Thư_ký hành_chính của Hội_đồng đạo_đức <br> a ) Số_lượng thư_ký hành_chính do Chủ_tịch Hội_đồng đạo_đức đề_xuất người đứng đầu tổ_chức thành_lập Hội_đồng đạo_đứ...</code>
  <code>Tổ_chức trao_tặng danh_hiệu thi_đua ngành lao_động thương_binh và xã_hội được quy_định như thế_nào ?</code>	<code>Điều 30 . Tổ_chức trao_tặng 1 . Việc trao_tặng các danh_hiệu thi_đua , hình_thức khen_thưởng thực_hiện theo quy_định tại Điều 44 của Nghị_định 91 / 2017 / NĐ - CP. <br> 2 . Đối_với các danh_hiệu thi_đua , hình_thức khen_thưởng cấp nhà_nước , khi nhận được quyết_định khen_thưởng , thủ_trưởng các đơn_vị lập kế_hoạch tổ_chức đón_nhận , trình Lãnh_đạo Bộ cho ý_kiến chỉ_đạo thực_hiện . Khi có ý_kiến của Lãnh_đạo Bộ phối_hợp với Thường_trực Hội_đồng Bộ tổ_chức công_bố , trao_tặng . Lễ trao_tặng cần trang_trọng , nên kết_hợp với dịp Hội_nghị tổng_kết công_tác , kỷ_niệm ngày thành_lập đơn_vị hoặc lồng_ghép với các nội_dung khác để tiết_kiệm thời_gian và chi_phí . <br> 3 . Đối_với các danh_hiệu thi_đua , hình_thức khen_thưởng thuộc thẩm_quyền của Bộ_trưởng , giao cho Giám_đốc các sở và thủ_trưởng các đơn_vị tổ_chức công_bố , trao_tặng theo quy_định .</code>
  <code>Người sử_dụng lao_động có nghĩa_vụ gì khi người lao_động yêu_cầu kiểm_tra bảng lương ?</code>	<code>Chương_VI của Bộ_luật Lao_động Việt_Nam quy_định về tiền_lương . Nội_dung chính bao_gồm các quy_định về nguyên_tắc trả lương , hình_thức trả lương , kỳ_hạn trả lương , tiền_lương làm thêm giờ , tiền_lương làm_việc vào ban_đêm , tiền_lương nghỉ lễ , Tết và ngày nghỉ có hưởng lương , tiền_lương ngừng việc , tiền_lương cho người lao_động bị tạm đình_chỉ công_việc , mức lương tối_thiểu và điều_chỉnh mức lương tối_thiểu , thỏa_thuận về tiền_lương , và quyền và nghĩa_vụ của người sử_dụng lao_động và người lao_động trong việc trả lương và nhận lương .</code>

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

  {
      "loss": "MultipleNegativesRankingLoss",
      "matryoshka_dims": [
          768,
          512,
          256,
          128,
          64
      ],
      "matryoshka_weights": [
          1,
          1,
          1,
          1,
          1
      ],
      "n_dims_per_step": -1
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 52
• per_device_eval_batch_size: 52
• gradient_accumulation_steps: 12
• learning_rate: 3e-05
• weight_decay: 0.2
• num_train_epochs: 8
• lr_scheduler_type: cosine
• warmup_ratio: 0.15
• fp16: True
• load_best_model_at_end: True
• optim: adamw_torch_fused
• push_to_hub: True
• hub_model_id: bachminion/legal-embedding-finetune
• hub_private_repo: True
• batch_sampler: no_duplicates

All Hyperparameters

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

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 52
• per_device_eval_batch_size: 52
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 12
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 3e-05
• weight_decay: 0.2
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 8
• max_steps: -1
• lr_scheduler_type: cosine
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.15
• 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: True
• 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_fused
• 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: True
• resume_from_checkpoint: None
• hub_model_id: bachminion/legal-embedding-finetune
• hub_strategy: every_save
• hub_private_repo: True
• hub_always_push: False
• hub_revision: None
• 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
• liger_kernel_config: None
• eval_use_gather_object: False
• average_tokens_across_devices: False
• prompts: None
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

</details>

Training Logs

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.11.13
• Sentence Transformers: 5.1.2
• Transformers: 4.53.3
• PyTorch: 2.6.0+cu124
• Accelerate: 1.9.0
• Datasets: 4.4.1
• Tokenizers: 0.21.2

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",
}

MatryoshkaLoss

@misc{kusupati2024matryoshka,
    title={Matryoshka Representation Learning},
    author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
    year={2024},
    eprint={2205.13147},
    archivePrefix={arXiv},
    primaryClass={cs.LG}
}

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}
}

<!-- ## 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.* -->