tags:

• sentence-transformers
• sentence-similarity
• feature-extraction
• generated_from_trainer
• dataset_size:77201
• loss:CosineSimilarityLoss base_model: sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 widget:
• source_sentence: '"17 тэрбумын хэрэгт холбогдсон хүмүүсийг шалгаж байна."' sentences:
  • Шинэ сайд томилогдлоо."
  • '"Авлига авсан хүмүүсийг шалгаж байна."'
  • Шүүхийг засварлах мөнгө байхгүй байна."
• source_sentence: '"Гэмт хэрэг үйлдсэн. "' sentences:
  • LIKE дар.
  • Саусгоби сэндс компанийн хэргээр мөрдөн байцаалт явагдаж байна."
  • '"Гэмтэл учруулсан."'
• source_sentence: '"Иргэдийн хүсэлтийг шинэчлэлийн Засгийн газар хэрэгжүүлнэ."' sentences:
  • '"Засгийн газар иргэдийн хүсэлтийг хэрэгжүүлэх бодолтой байна."'
  • '"Ц.Болд албан тушаалаа ашиглан төсвөөс мөнгө завшсан байна."'
  • Шүүх хараат бус байх ёстой."
• source_sentence: '"Ам.долларын ханш суларснаас бэрхшээл үүсэж байна."' sentences:
  • '"тушаал"'
  • Шүүхийн шийдвэрийн талаарх судалгаа хийнэ."
  • '"Валютын ханшийн өөрчлөлтөөс болж бэрхшээл гарч байна."'
• source_sentence: '"Сэтгүүлч анд маань хоёр дахь номоо хэвлэлтээс гаргажээ"' sentences:
  • БНХАУ-ын аж үйлдвэрлэлийн үйлдвэрлэлт буурсан.
  • Жастин Бибер, Кэти Перри нарын элэглэл хамгийн түрүүнд дүрслэгдэх аж.
  • '"Л.Болормаагийн хоёр дахь ном “Завгүй” хэмээн нэрийджээ."' pipeline_tag: sentence-similarity library_name: sentence-transformers metrics:
• pearson_cosine
• spearman_cosine model-index:
• name: SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 results:
  • task: type: semantic-similarity name: Semantic Similarity dataset: name: dev t type: dev-t metrics:
    • type: pearson_cosine value: 0.9547459589724314 name: Pearson Cosine
    • type: spearman_cosine value: 0.9538075641510714 name: Spearman Cosine
  • task: type: semantic-similarity name: Semantic Similarity dataset: name: test t type: test-t metrics:
    • type: pearson_cosine value: 0.956384303059334 name: Pearson Cosine
    • type: spearman_cosine value: 0.9566981709702497 name: Spearman Cosine

SentenceTransformer based on sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2

This is a sentence-transformers model finetuned from sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2 on the csv dataset. It maps sentences & paragraphs to a 384-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/paraphrase-multilingual-MiniLM-L12-v2
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 384 dimensions
• Similarity Function: Cosine Similarity
• Training Dataset:
  • csv

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': 128, 'do_lower_case': False}) with Transformer model: BertModel 
  (1): Pooling({'word_embedding_dimension': 384, '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("gmunkhtur/paraphrase-mongolian-minilm-mn_v2")
# Run inference
sentences = [
    '"Сэтгүүлч анд маань хоёр дахь номоо хэвлэлтээс гаргажээ"',
    '"Л.Болормаагийн хоёр дахь ном “Завгүй” хэмээн нэрийджээ."',
    'БНХАУ-ын аж үйлдвэрлэлийн үйлдвэрлэлт буурсан.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 384]

# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]

Evaluation

Metrics

Semantic Similarity

• Datasets: dev-t and test-t
• Evaluated with EmbeddingSimilarityEvaluator

Training Details

Training Dataset

csv

• Dataset: csv
• Size: 77,201 training samples
• Columns: sentence1, sentence2, and score
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 3 tokens mean: 16.02 tokens max: 96 tokens	min: 3 tokens mean: 14.66 tokens max: 87 tokens	min: -0.14 mean: 0.63 max: 1.0

• Samples:

  sentence1	sentence2	score
  Маргааш мэдээлэл өгнө	Хэвлэлийн хурал болно.	0.5448001623153687
  Дотоод аудитын шалгалтаар 2012-2013 оны үйл ажиллагаанд 16 зөрчил илэрлээ	“Монголын Хөрөнгийн Бирж” ТӨХК-ийн Төлөөлөн удирдах зөвлөл болон Гүйцэтгэх удирдлагад 13 зөвлөмж өгөгдсөн байна.	0.4059729874134063
  "хохирогчид ажлын байраар хангагдана"	"ажил олддог болно."	0.6021140813827515

• Loss: CosineSimilarityLoss with these parameters:

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

Evaluation Dataset

csv

• Dataset: csv
• Size: 77,201 evaluation samples
• Columns: sentence1, sentence2, and score
• Approximate statistics based on the first 1000 samples:

  	sentence1	sentence2	score
  type	string	string	float
  details	min: 3 tokens mean: 16.53 tokens max: 85 tokens	min: 3 tokens mean: 14.68 tokens max: 83 tokens	min: -0.04 mean: 0.62 max: 1.0

• Samples:

  sentence1	sentence2	score
  Ченжүүд мэдээллийн сүлжээтэй лут холбогдсон байх юм	"Энд ноолуурын үнэ асуусан хэдэн нөхөд яваад байна" гээд хэлчихсэн бололтой юм	0.3234536349773407
  Хий дэлбэрэлт гарсан тухай мэдээлэл байна уу?	Мэдээлэл цуглуулж байна.	0.3009476661682129
  "Энэ нь хэн нэгнээр дамжуулж биш өөрөө сонгоно гэсэн утгатай.	Өөрөө сонгоно гэсэн утгатай."	0.770484447479248

• Loss: CosineSimilarityLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 16
• per_device_eval_batch_size: 16
• num_train_epochs: 5
• warmup_ratio: 0.1
• fp16: True
• batch_sampler: no_duplicates

All Hyperparameters

Training Logs

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.3.1
• Transformers: 4.47.1
• PyTorch: 2.5.1+cu121
• Accelerate: 1.2.1
• Datasets: 3.2.0
• Tokenizers: 0.21.0

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",
}