urf-summary-labse

SentenceTransformer based on sentence-transformers/LaBSE

This is a sentence-transformers model finetuned from sentence-transformers/LaBSE. 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: sentence-transformers/LaBSE <!-- at revision e34fab64a3011d2176c99545a93d5cbddc9a91b7 -->
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 768 tokens
• Similarity Function: Cosine Similarity

<!-- - **Training Dataset:** Unknown --> <!-- - **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': 512, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, '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("josedossantos/urf-summary-labse")
# Run inference
sentences = [
    ' O projeto de lei reconhece o Carnaval do Município de Aracati-CE como manifestação da cultura nacional, destacando sua importância econômica e social. O evento é realizado em quatro arenas e atrai turistas de todo o país. A cidade de Aracati preserva suas raízes e tradições, e o projeto pode contribuir para a perpetuação da cultura do povo.',
    ' O projeto de lei reconhece o Carnaval de Nova Russas como manifestação da cultura nacional e incentiva a valorização e ampliação das manifestações culturais do Brasil. A celebração é uma importante fonte de renda econômica para o município e atrai turistas de todas as regiões. A lei foi criada em 2017 e incluiu o Carnaval de Nova Russas no Calendário Turístico Cultural do Estado do Ceará. O projeto tem importante relevância cultural e social e conta com o apoio dos ilustres pares para sua aprovação.',
    ' O projeto de lei do deputado Eliene Lima visa modificar o Decreto Lei 5.518/2005, que estabelece a admissão automática de diplomas de pós-graduação expedidos por universidades e faculdades estrangeiras para o mercado brasileiro. O projeto busca garantir a qualidade do ensino e a proteção dos jovens cidadãos, evitando a entrada de diplomas de qualidade duvidosa no mercado. Além disso, o projeto também busca preservar a soberania interna dos Estados Integrantes do Mercosul e evitar a ultrapassagem de limites legais.',
]
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 Dataset

Unnamed Dataset

• Size: 10,962 training samples
• Columns: <code>sentence_0</code>, <code>sentence_1</code>, and <code>label</code>
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1	label
  type	string	string	int
  details	<ul><li>min: 46 tokens</li><li>mean: 138.47 tokens</li><li>max: 377 tokens</li></ul>	<ul><li>min: 55 tokens</li><li>mean: 136.56 tokens</li><li>max: 358 tokens</li></ul>	<ul><li>0: ~49.70%</li><li>1: ~50.30%</li></ul>

• Samples:

  sentence_0	sentence_1	label
  <code> O projeto de lei proíbe a realização de ligações telefônicas não identificáveis, com o objetivo de inibir a proliferação de ligações confidenciais com fins de telemarketing e cobrança, e também para reduzir os índices de criminalidade no país. O projeto mantém o dispositivo da Lei Geral de Telecomunicações que assegura ao usuário o direito à não divulgação do seu número telefônico, mas apenas em listas de assinantes. O projeto estabelece um prazo de noventa dias para que a norma proposta passe a vigorar, permitindo que as operadoras adaptem suas redes para adequação ao disposto na proposição.</code>	<code> O projeto de lei visa obrigar as operadoras de telefonia fixa e celular a informarem o código de acesso do usuário chamador em ligações telefônicas, sem ônus para o usuário receptor. A medida busca reforçar a segurança pública e facilitar as investigações e a prisão de criminosos que se escondem atrás da situação anônima da chamada não identificada. O projeto foi apresentado pelo deputado federal Alberto Fraga e justifica-se com a necessidade de combater a criminalidade que utiliza as telecomunicações para perpetrar crimes.</code>	<code>1</code>
  <code> O projeto de lei nº 429/2020, apresentado pela deputada Tabata Amaral, visa permitir a ausência do empregado ao trabalho, sem prejuízo do salário, para participar de reuniões escolares de seus dependentes. A proposta busca contribuir para uma educação de qualidade no Brasil, garantindo o direito da criança, do adolescente e do jovem aos direitos fundamentais, como estabelecido na Constituição Federal de 1988. Ao permitir a ausência dos empregados para participar de reuniões escolares, a proposta busca aumentar a participação dos pais na evolução de seus filhos nas escolas, contribuindo para a prevenção de bullying e para o senso de valor e na auto-percepção da dignidade das crianças. Além disso, a proposta busca incentivar a soma dos esforços de todas as esferas para garantir os direitos fundamentais da criança, do adolescente e do jovem.</code>	<code> O projeto de lei proposto por Ricardo Izar PSD/SP, dispõe sobre o acompanhamento pedagógico de crianças e adolescentes na escola pelos pais ou responsáveis legais. O projeto alterará três leis importantes: Estatuto da Criança e do Adolescente, Lei de Diretrizes e Bases da Educação Nacional e Consolidação das Leis do Trabalho. O objetivo é contribuir para a promoção do acompanhamento efetivo e sistemático familiar da vida escolar dos filhos, para que os pais possam participar de forma mais ativa da educação de seus filhos. A proposta tem como base a ideia de que a participação dos pais na vida escolar dos filhos é fundamental para o seu desenvolvimento e aprendizado.</code>	<code>1</code>
  <code> o projeto de lei visa estabelecer regras para as campanhas de telemarketing ativo, com foco em garantir taxa máxima de abandono de ligações, evitar insistência nas campanhas e garantir o direito do consumidor de não ser importunado novamente por determinado período. Além disso, o projeto propõe a inserção de um novo artigo no código de defesa do consumidor para controlar o uso agressivo e indiscriminado dos discadores preditivos.</code>	<code> O projeto de lei visa criar o Sistema Nacional de Bloqueio de Telemarketing, com o objetivo de proteger os usuários dos serviços de telefonia de chamadas indesejadas. O sistema será de acesso livre e gratuito por qualquer usuário dos serviços de telecomunicações e estarão disponíveis 24 horas por dia e 7 dias por semana. As empresas que executam atividade de atendimento ativo para consumidores por meio de serviço de telecomunicações terão obrigação de disponibilizar serviços de atendimento à distância para o acesso ao Sistema Nacional de Bloqueio de Telemarketing. A falta de cumprimento da norma pode sujeitar o infrator à pena de multa. A justificação do projeto é que as atividades de telemarketing estão cada vez mais presentes no Brasil e que o abuso nesse uso vem causando grande insatisfação aos cidadãos.</code>	<code>0</code>

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

  {
      "distance_metric": "SiameseDistanceMetric.COSINE_DISTANCE",
      "margin": 0.5,
      "size_average": true
  }
  

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 2
• per_device_eval_batch_size: 2
• num_train_epochs: 1
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

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

• overwrite_output_dir: False
• do_predict: False
• prediction_loss_only: True
• per_device_train_batch_size: 2
• per_device_eval_batch_size: 2
• 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
• num_train_epochs: 1
• 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
• 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}
• 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
• 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: round_robin

</details>

Training Logs

Framework Versions

• Python: 3.10.14
• Sentence Transformers: 3.0.0
• Transformers: 4.39.3
• PyTorch: 2.2.0
• Accelerate: 0.30.1
• Datasets: 2.14.4
• Tokenizers: 0.15.1

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",
}

ContrastiveLoss

@inproceedings{hadsell2006dimensionality,
    author={Hadsell, R. and Chopra, S. and LeCun, Y.},
    booktitle={2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'06)}, 
    title={Dimensionality Reduction by Learning an Invariant Mapping}, 
    year={2006},
    volume={2},
    number={},
    pages={1735-1742},
    doi={10.1109/CVPR.2006.100}
}

<!-- ## 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.* -->