Mpnet Base All Nli Triplet Turkish V3

🚀 MPNet base trained on AllNLI-turkish triplets

This is a sentence-transformers model fine-tuned from microsoft/mpnet-base on the AllNLI-turkish triplets dataset. It maps sentences and paragraphs to a 768-dimensional dense vector space, which can be used for semantic textual similarity, semantic search, paraphrase mining, text classification, clustering, and more.

🚀 Quick Start

This model is a sentence-transformers model finetuned from microsoft/mpnet-base on the all-nli-triplets-turkish dataset. It can map sentences & paragraphs to a 768 - dimensional dense vector space and is applicable for various tasks such as semantic textual similarity, semantic search, paraphrase mining, text classification, and clustering.

✨ Features

• Maps sentences and paragraphs to a 768 - dimensional dense vector space.
• Applicable for multiple NLP tasks including semantic similarity, search, and classification.

📦 Installation

First, you need to install the Sentence Transformers library:

pip install -U sentence-transformers

💻 Usage Examples

Basic Usage

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("mertcobanov/mpnet-base-all-nli-triplet-turkish-v3")
# Run inference
sentences = [
    'Ağaçlarla çevrili bulvar denize üç bloktan daha az uzanıyor.',
    'Deniz üç sokak bile uzakta değil.',
    'Denize ulaşmak için caddeden iki mil yol almanız gerekiyor.',
]
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]

📚 Documentation

Model Details

Model Description

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: MPNetModel 
  (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})
)

Evaluation

Metrics

Triplet

• Datasets: all-nli-dev-turkish and all-nli-test-turkish
• Evaluated with TripletEvaluator

Training Details

Training Dataset

all-nli-triplets-turkish

• Dataset: all-nli-triplets-turkish at bff203b
• Size: 13,842 training samples
• Columns: anchor_translated, positive_translated, and negative_translated
• Approximate statistics based on the first 1000 samples:

  	anchor_translated	positive_translated	negative_translated
  type	string	string	string
  details	min: 8 tokens mean: 13.42 tokens max: 95 tokens	min: 8 tokens mean: 31.64 tokens max: 93 tokens	min: 6 tokens mean: 32.03 tokens max: 89 tokens

• Samples:

  anchor_translated	positive_translated	negative_translated
  Asyalı okul çocukları birbirlerinin omuzlarında oturuyor.	Okul çocukları bir arada	Asyalı fabrika işçileri oturuyor.
  İnsanlar dışarıda.	Arka planda resmi kıyafetler giymiş bir grup insan var ve beyaz gömlekli, haki pantolonlu bir adam toprak yoldan yeşil çimenlere atlıyor.	Bir odada üç kişiyle birlikte büyük bir kamera tutan bir adam.
  Bir adam dışarıda.	Adam yarış sırasında yan sepetten bir su birikintisine düşer.	Beyaz bir sarık sarmış gömleksiz bir adam bir ağaç gövdesine tırmanıyor.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

all-nli-triplets-turkish

• Dataset: all-nli-triplets-turkish at bff203b
• Size: 6,584 evaluation samples
• Columns: anchor_translated, positive_translated, and negative_translated
• Approximate statistics based on the first 1000 samples:

  	anchor_translated	positive_translated	negative_translated
  type	string	string	string
  details	min: 5 tokens mean: 42.62 tokens max: 192 tokens	min: 5 tokens mean: 22.58 tokens max: 77 tokens	min: 5 tokens mean: 22.07 tokens max: 65 tokens

• Samples:

  anchor_translated	positive_translated	negative_translated
  Ayrıca, bu özel tüketim vergileri, diğer vergiler gibi, hükümetin ödeme zorunluluğunu sağlama yetkisini kullanarak belirlenir.	Hükümetin ödeme zorlaması, özel tüketim vergilerinin nasıl hesaplandığını belirler.	Özel tüketim vergileri genel kuralın bir istisnasıdır ve aslında GSYİH payına dayalı olarak belirlenir.
  Gri bir sweatshirt giymiş bir sanatçı, canlı renklerde bir kasaba tablosu üzerinde çalışıyor.	Bir ressam gri giysiler içinde bir kasabanın resmini yapıyor.	Bir kişi bir beyzbol sopası tutuyor ve gelen bir atış için planda bekliyor.
  İmkansız.	Yapılamaz.	Tamamen mümkün.

📄 License

This project is licensed under the apache - 2.0 license.