Bossssss/ccm-retriever

SentenceTransformer based on BM-K/KoSimCSE-roberta

This is a sentence-transformers model finetuned from BM-K/KoSimCSE-roberta. 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: BM-K/KoSimCSE-roberta
• Maximum Sequence Length: 256 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity

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("Bossssss/ccm-retriever")
# Run inference
sentences = [
    '때로는 너의 앞에',
    'none',
    '매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n주를 더욱 아는것 놀라워라\n나를 사랑하신 주\n존귀하신 주님께 경배하리\n자유케하신 주를\n해가 뜨는데부터\n해가 지는데까지\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게 해\n주와 함께 사는 것\n놀라워라 모든 것을 이기네\n합당하신 주님께 다드리리\n날마다 내 전부를\n해가 뜨는데부터\n해가 지는데까지\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n매일 주와 함께\n어제보다 더 새롭게\n아침에 주 경배하며\n저녁에 주높이리\n나 매일 사랑스런 주와\n날마다 더 새롭게\n날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 어제보다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 날마다 더 새롭게\n날마다 어제보다 더 새롭게',
]
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,  0.1449,  0.2342],
#         [ 0.1449,  1.0000, -0.0180],
#         [ 0.2342, -0.0180,  1.0000]])

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,500 training samples
• Columns: sentence_0 and sentence_1
• Approximate statistics based on the first 1000 samples:

  	sentence_0	sentence_1
  type	string	string
  details	min: 3 tokens mean: 7.2 tokens max: 27 tokens	min: 4 tokens mean: 201.36 tokens max: 256 tokens

• Samples:

  sentence_0	sentence_1
  최고의 시간에	고난과 시련속에 사람들은 나를 떠나도 신실한 그분의 사랑이 내 삶을 지키셨네 지난날 돌아보면 수많은 연단을 통하여 나를 크게 사용하실 그분의 뜻이였음을 알았네 최고의 시간에 최고의 순간에 최고의 것을 주실 분 아버지 그 뜻을 믿으며 난 그저 기도하리 지난날 돌아보면 수많은 연단을 통하여 나를 크게 사용하실 그분의 뜻이였음을 알았네 최고의 시간에 최고의 순간에 최고의 것을 주실 분 아버지 그 뜻을 믿으며 난 그저 기도하리 아무런 답이 없으신 그 분을 원망했었네 하지만 난 알았네 나를 앞서가신 그 사랑 그 사랑 주실 분 아버지 그 뜻을 믿으며 난 그저 기도하리 난 그저 기도하리 난 그저 기도하리
  내 모든 삶의 행동 주 안에 / 승리하였네	내 모든 삶의 행동 주 안에 주님 안에 있네 나의 숨쉬는 순간들도 내 모든 삶의 걸음 주안에 내 길도 주 안에 나의 숨쉬는 순간들도 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 내 모든 삶의 행동 주 안에 주님 안에 있네 나의 숨쉬는 순간들도 내 모든 삶의 걸음 주안에 내 길도 주 안에 나의 숨쉬는 순간들도 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 내 모든 삶의 행동 주 안에 주님 안에 있네 나의 숨쉬는 순간들도 내 모든 삶의 걸음 주안에 내 길도 주 안에 나의 숨쉬는 순간들도 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 자비와 은혜의 물결 어디서나 주 얼굴 보네 주 사랑 날 붙드네 오 놀라운 주님의 사랑 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 라라라라 라라 라라라라 라 라라 자비와 은혜의 물결 어디서나 주 얼굴 보네 주 사랑 날 붙드네 오 놀라운 주님의 사랑 승리하였네 어린 양의 보혈로 우린 보혈의 능력으로 서리라 승리하였네 어린 양의 보혈로 주 내게 승리 주셨네 승리하였네 어린 양의 보혈로 우린 보혈의 능력으로 서리라 승리하였네 어린 양의 보혈로 주 내게 승리 주셨네 승리하였네 어린 양의 보혈로 우린 보혈의 능력으로 서리라 승리하였네 어린 양의 보혈로 주 내게 승리 주셨네
  주는 사랑이십니다	나의 지친 삶의 순간마다 말씀으로 내게 찾아오셔서 나의 마음 감싸 안으시는 내 주님께 간절히 원하네 흔들리는 삶의 순간마다 말씀으로 내게 찾아오셔서 넘어지는 날 일으키시는 내 주님께 간절히 원하네 나의 모든 생각과 나의 모든 것 드려 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주만 바라봅니다 세상 모든 유혹과 나의 짐 내려놓고 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주는 사랑이십니다 나의 지친 삶의 순간마다 말씀으로 내게 찾아오셔서 나의 마음 감싸 안으시는 내 주님께 간절히 원하네 흔들리는 삶의 순간마다 말씀으로 내게 찾아오셔서 넘어지는 날 일으키시는 내 주님께 간절히 원하네 나의 모든 생각과 나의 모든 것 드려 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주만 바라봅니다 세상 모든 유혹과 나의 짐 내려놓고 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주는 사랑이십니다 나의 모든 생각과 나의 모든 것 드려 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주만 바라봅니다 세상 모든 유혹과 나의 짐 내려놓고 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주는 사랑이십니다 나의 모든 생각과 나의 모든 것 드려 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주만 바라봅니다 세상 모든 유혹과 나의 짐 내려놓고 내 주님께 나아가길 원하네 그때 나의 삶은 변하고 온전케 되리 주는 사랑이십니다

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• num_train_epochs: 2
• multi_dataset_batch_sampler: round_robin

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: no
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 32
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• torch_empty_cache_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: 2
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: None
• 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
• 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
• 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, 'non_blocking': False, 'gradient_accumulation_kwargs': None}
• parallelism_config: None
• deepspeed: None
• label_smoothing_factor: 0.0
• optim: adamw_torch
• optim_args: None
• adafactor: False
• group_by_length: False
• length_column_name: length
• project: huggingface
• trackio_space_id: trackio
• 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: None
• 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: no
• 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: True
• prompts: None
• batch_sampler: batch_sampler
• multi_dataset_batch_sampler: round_robin
• router_mapping: {}
• learning_rate_mapping: {}

Framework Versions

• Python: 3.9.7
• Sentence Transformers: 5.1.2
• Transformers: 4.57.6
• PyTorch: 2.3.1
• Accelerate: 1.10.1
• Datasets: 4.5.0
• Tokenizers: 0.22.2

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",
}

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}
}