--- tags: - sentence-transformers - sentence-similarity - feature-extraction - dense - generated_from_trainer - dataset_size:25436 - loss:MultipleNegativesRankingLoss base_model: intfloat/multilingual-e5-base widget: - source_sentence: >- query: ނަމަވެސް ފާޑުކިޔުންތެރިން ބުނަމުން ދިޔައީ ޕާޝިންގ އަށް ކޮމާންޑް ކުރަނީ ސަފުތަކުގެ މާ ފަހަތުގައި ކަމަށާއި ފާޑުކިޔާފައިވަނީ އަމިއްލައަށް ސިފައިން ހަނގުރާމައަށް ގެންދިޔަ ކޮމާންޑަރުންނަށް ކަމަށެވެ . sentences: - >- query: ފުރަތަމަ ރެކޯޑް ކުރީ ލޮރެއިން ކޯޕްލެންޑް 1954 ވަނަ އަހަރު އޭގެ ފަހުން އޭ ކުޝްކޭ އާއި ޖޭ އެވެ . - >- query: ނަމަވެސް ފާޑުކިޔުންތެރިން ބުނަމުން ދިޔައީ ޕާޝިންގް ލީޑް ކުރަމުން ދިޔައީ ލައިންތަކުގެ ވަރަށް ފަހަތުން ކަމަށާއި ހަނގުރާމައިގެ ތެރެއަށް ސިފައިން އަމިއްލައަށް ކޮމާންޑް ކުރާ ކޮމާންޑަރުންނަށް ފާޑުކިޔާ ކަމަށެވެ . - >- query: ގްރާޒް އިން ފަލްސަފާ ކިޔަވައި ވިއެނާ އާއި ޕަޑޫއާ އިން މެޑިސިން ކިޔަވައި ވިދާޅުވި އެވެ . - source_sentence: >- query: ރަންޖިތު ސިންގް ( ރޯހްތާސް ) އަށް ހިނގާފައި ގޮސް އެތަނުން ( ރަވަލްޕިންޑީ ) އަށް ގޮސް ( ސަރައި ކަލާ ) މެދުވެރިކޮށް ސިރިކޯޓަށް އާދެވުނެވެ . sentences: - >- query: ރަންޖިތު ސިންގް ހިނގައިގަތީ ( ރޯހްތާސް ) އަށް , އެތަނުން ރަވަލްޕިންޑީ އަށް އަދި ( ސަރައި ކަލާ ) މެދުވެރިކޮށް ސިރިކޯޓަށް . - >- query: ޖުއާން ކޮލޮމަރ އޭނާގެ މަސައްކަތްތައް ޝާއިޢުކުރައްވަނީ ސްވިޒަލޭންޑްގެ އެޑިޝަންސް ބިމް އާއި އެޑިޓޯރިއަލް ޕައިލްސް އާއި ޓްރިޓޯ އަދި ސްޕެއިންގެ ރިވެރާ އެޑިޓަރުންނާ އެކުގައެވެ . - >- query: އޭނާ އުފަންވެވަޑައިގަތީ އޮކްޓޯބަރ 23 , 1806 ގައި ނިއުޔޯކުގެ އީސްޓް ބްރޯޑްވޭ އަށެވެ . - source_sentence: >- query: އައިޑީޖީސީ ހޯލްޑިންގގެ މައިގަނޑު އިންވެސްޓްމަންޓް ޕްރޮގްރާމްގެ ދަށުން 2011 ވަނަ އަހަރަށް ކޮންސޮލިޑޭޓް ކުރެވިފައިވާ މަޝްރޫޢުތަކަކީ ތިރީގައި މިވާ މަޝްރޫޢުތަކެވެ. sentences: - >- query: އައިޑީޖީސީ ހޯލްޑިންގެ މައިގަނޑު އިންވެސްޓްމަންޓް ޕްރޮގްރާމްގެ ދަށުން 2011 ވަނަ އަހަރަށް ކޮންސޮލިޑޭޓް ކުރެވިފައިވާ މަޝްރޫއުތަކަކީ ތިރީގައި މިވާ މަޝްރޫއުތަކެވެ. - >- query: އެ ޓީމުން ވަނީ 2011 ވަނަ އަހަރުގެ ފަހު އަހަރުތަކުގައި ހަވާއީ , ރަޓްޖާސް , އަޔަވާ , މިސިސިޕީ ސްޓޭޓް , ނެބްރަސްކާ , ކޮނެކްޓިކަޓް , ސައިރަކިއުސް އަދި ޕިޓްސްބާގް ފަދަ ޓީމުތަކާ ކުޅެފަ އެވެ . - >- query: ހަނގުރާމައިގެ އެންމެ ފަހު ދުވަސްތަކާ ހަމައަށް އާޖެންޓީނާ ސަރުކާރުން ނިއުޓްރަލް ނަމަވެސް 1945 ވަނަ އަހަރު ވިޗީ އާއި ފްރާންސް އާއި ބެލްޖިއަމް އަދި ޖަރުމަނުން ފިލައިގެން ދިޔަ ނާޒީ ލީޑަރުން ވަދެވަޑައިގަތުމަށް މަޑުމަޑުން ތަޙައްމަލު ކުރިއެވެ . - source_sentence: 'query: ނަމަވެސް މައިލްޑް ވާޝަން ދޫކޮށްލީ އަސްލު އެޑިޝަންގެ ފަރާތުންނެވެ .' sentences: - >- query: ރޮނީ ފީލްޑްސް އެންބީއޭގައި ވެސް އަދި އެންސީއޭއޭގައި ވެސް އެންމެ މެޗެއް ނުކުޅެ އެވެ . - 'query: ނަމަވެސް އޭގެ މަޑު ވަރޝަން ދޫކޮށްލީ އަސްލު އެޑިޝަންގެ ފަރާތުންނެވެ .' - >- query: 2007 ވަނަ އަހަރު މަތީ ފިޝަރ އެއް އަހަރު ދުވަހު އުޅުމަށްފަހު މި ބޭންޑާ ގުޅުނުއިރު، ޖެންސް ރަމޮން ވަކިވިއެވެ . - source_sentence: >- query: މި މާނަ ތިރީގައިވާ ގޮތަށް އެއްވެސް ( ސްޓޭންޑަރޑް ނުވަތަ ނޮން ސްޓޭންޑަރޑް ) ނުކުތާއަކަށް ފުޅާކުރެވިދާނެއެވެ : sentences: - >- query: ޑޮންގް ޒާއޯ އަކީ `` ޝިއޯލިއަން '' އެއް ކަމަށާއި އޭނާގެ ފުރަތަމަ އަހަރުތަކުގައި ހަނގުރާމަވެރިޔާ ޔުއާން ޝާއޯގެ ދަށުން ޑިސްޓްރިކްޓް އޮފިޝަލްގެ މަގާމު އަދާކުރެއްވުމުގެ ކުރިން އޭނާ ވަނީ އަސްކަރީ ލަފާދޭ މީހަކަށް ޕްރޮމޯޓްވެފަ އެވެ . - >- query: ނަރެޓިވްގައި ދެން އަންނަ ސީޒަނާއި މިހާރުގެ ސީޒަނާ ދެމެދު އަޅުގަނޑުމެންނަށް އެނގުނީ ގުއިޑޯ މަރުވެފައިވަނީ ކާރު އެކްސިޑެންޓެއްގެ ސަބަބުން ކަމަށެވެ . - >- query: އެ މާނަ އަމިއްލައަށް ފުޅާކުރެވޭ ( ސްޓޭންޑަރޑް ނުވަތަ ނޮން ސްޓޭންޑަރޑް ) ޕޮއިންޓްތަކަށް ތިރީގައިވާ ގޮތަށް ފުޅާކުރެވިދާނެއެވެ : pipeline_tag: sentence-similarity library_name: sentence-transformers metrics: - pearson_cosine - spearman_cosine model-index: - name: SentenceTransformer based on intfloat/multilingual-e5-base results: - task: type: semantic-similarity name: Semantic Similarity dataset: name: dhivehi paws type: dhivehi-paws metrics: - type: pearson_cosine value: 0.2502280526743205 name: Pearson Cosine - type: spearman_cosine value: 0.2829576921861 name: Spearman Cosine license: mit datasets: - alakxender/dhivehi-paws-labeled language: - dv - en --- # SentenceTransformer based on intfloat/multilingual-e5-base This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base). 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:** [intfloat/multilingual-e5-base](https://huggingface.co/intfloat/multilingual-e5-base) - **Maximum Sequence Length:** 256 tokens - **Output Dimensionality:** 768 dimensions - **Similarity Function:** Cosine Similarity ### Fine-tuned Models This model is part of a progressive series of sentence embedding models based on [`intfloat/multilingual-e5-base`](https://huggingface.co/intfloat/multilingual-e5-base), fine-tuned specifically for Dhivehi language understanding. Each stage leverages a targeted dataset to specialize the model for semantic similarity, question answering, and summarization tasks — improving performance for real-world Dhivehi NLP applications. | Stage | Task | Model | Dataset | Objective | |-------|------|-------|---------|-----------| | 0 | Base | Multilingual Base | [`intfloat/multilingual-e5-base`](https://huggingface.co/intfloat/multilingual-e5-base) | — | Init | | 1 | Paraphrase Identification (MNR) | [`alakxender/e5-dhivehi-paws-mnr`](https://huggingface.co/alakxender/e5-dhivehi-paws-mnr) | [`alakxender/dhivehi-paws-labeled`](https://huggingface.co/datasets/alakxender/dhivehi-paws-labeled) > **label=1 Only** | MultipleNegativesRankingLoss | | 2 | Paraphrase Identification (Cosine) | [`alakxender/e5-dhivehi-paws-cos`](https://huggingface.co/alakxender/e5-dhivehi-paws-cos) | [`alakxender/dhivehi-paws-labeled`](https://huggingface.co/datasets/alakxender/dhivehi-paws-labeled) | CosineSimilarityLoss | | 3 | Question → Passage Matching | [`alakxender/e5-dhivehi-qa-mnr`](https://huggingface.co/alakxender/e5-dhivehi-qa-mnr) | [`alakxender/dhivehi-qa-dataset`](https://huggingface.co/datasets/alakxender/dhivehi-qa-dataset) | MultipleNegativesRankingLoss | | 4 | News Title → Content | [`alakxender/e5-dhivehi-articles-mnr`](https://huggingface.co/alakxender/e5-dhivehi-articles-mnr) | [`alakxender/dhivehi-news-corpus`](https://huggingface.co/datasets/alakxender/dhivehi-news-corpus) | MultipleNegativesRankingLoss | | 5 | Summary → Content | [`alakxender/e5-dhivehi-summaries-mnr`](https://huggingface.co/alakxender/e5-dhivehi-summaries-mnr) | [`alakxender/dv-en-parallel-corpus-clean`](https://huggingface.co/datasets/alakxender/dv-en-parallel-corpus-clean), [`alakxender/dv-summary-translation-corpus`](https://huggingface.co/datasets/alakxender/dv-summary-translation-corpus) | MultipleNegativesRankingLoss | > Each model builds upon the previous checkpoint, incrementally enhancing the semantic capabilities of the model for Dhivehi. The goal is to support high-quality sentence embeddings for a wide range of Dhivehi information retrieval and understanding tasks. ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers) - **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers) ### Full Model Architecture ``` SentenceTransformer( (0): Transformer({'max_seq_length': 256, 'do_lower_case': False, 'architecture': 'XLMRobertaModel'}) (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: ```bash pip install -U sentence-transformers ``` Then you can load this model and run inference. ```python from sentence_transformers import SentenceTransformer # Download from the 🤗 Hub model = SentenceTransformer("alakxender/e5-dhivehi-paws-mnr") # Run inference sentences = [ 'query: މި މާނަ ތިރީގައިވާ ގޮތަށް އެއްވެސް ( ސްޓޭންޑަރޑް ނުވަތަ ނޮން ސްޓޭންޑަރޑް ) ނުކުތާއަކަށް ފުޅާކުރެވިދާނެއެވެ :', 'query: އެ މާނަ އަމިއްލައަށް ފުޅާކުރެވޭ ( ސްޓޭންޑަރޑް ނުވަތަ ނޮން ސްޓޭންޑަރޑް ) ޕޮއިންޓްތަކަށް ތިރީގައިވާ ގޮތަށް ފުޅާކުރެވިދާނެއެވެ :', "query: ޑޮންގް ޒާއޯ އަކީ `` ޝިއޯލިއަން '' އެއް ކަމަށާއި އޭނާގެ ފުރަތަމަ އަހަރުތަކުގައި ހަނގުރާމަވެރިޔާ ޔުއާން ޝާއޯގެ ދަށުން ޑިސްޓްރިކްޓް އޮފިޝަލްގެ މަގާމު އަދާކުރެއްވުމުގެ ކުރިން އޭނާ ވަނީ އަސްކަރީ ލަފާދޭ މީހަކަށް ޕްރޮމޯޓްވެފަ އެވެ .", ] 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, 0.9850, -0.0063], # [ 0.9850, 1.0000, -0.0151], # [-0.0063, -0.0151, 1.0000]]) ``` ## Evaluation ### Metrics #### Semantic Similarity * Dataset: `dhivehi-paws` * Evaluated with [EmbeddingSimilarityEvaluator](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.EmbeddingSimilarityEvaluator) | Metric | Value | |:--------------------|:----------| | pearson_cosine | 0.2502 | | **spearman_cosine** | **0.283** | ## Training Details ### Training Dataset * Size: 25,436 training samples * Columns: sentence_0 and sentence_1 * Approximate statistics based on the first 1000 samples: | | sentence_0 | sentence_1 | |:--------|:---------------------------------------------------------------------------------|:----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | sentence_0 | sentence_1 | |:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | query: ކެނެޑާގައި އުފައްދާ ހުރިހާ ދުންފަތުގެ %90 ވަރަކަށް މިތަނުގައި އުފައްދައެވެ . | query: ކެނެޑާގައި އުފައްދާ ހުރިހާ ދުންފަތުގެ %90 ވަރަކަށް މިތަނުން އުފައްދައެވެ . | | query: ޒަމާނީ ހެދުން ބޭނުން ކުރަން ނިންމުމަކީ ހައުސްމަން ކިޔާ ނިންމުމަކީ އޯސަން ޑްރާމާއަކީ ސާފު ޒަމާނީ ޕެރެލަލްސްތަކެއް ހުރި ސިޔާސީ މެލޯޑްރާމާއެއްގެ ގޮތުގައި ތަސައްވަރު ކުރެއްވި މުހިންމު އެއް މާއްދާއެކެވެ . | query: ހައުސްމަން ވިދާޅުވީ ޒަމާނީ ހެދުން ބޭނުން ކުރަން ނިންމުމަކީ `` ސާފު ޒަމާނީ ޕެރެލަލްސްތަކެއް ހުރި ސިޔާސީ މެލޯޑްރާމާއެއްގެ ގޮތުގައި އޮރސަން ޑްރާމާ ތަސައްވުރު ކުރުމުގައި މުހިންމު އެއް މާއްދާއެއް ކަމަށެވެ . '' . | | query: ލެޓާ އަކީ ނާޒީ ޖަރުމަނުން ލެޓްވިއާ ހިފެހެއްޓި ދުވަސްވަރު ޖަރުމަނުގެ ނޫސް އެޖެންސީ ޑީއެންބީގެ ދަށުގައި އޮތް ތަނެކެވެ . | query: ނާޒީ ޖަރުމަނުން ލެޓްވިއާ ހިފުމުގެ ތެރޭގައި ލެޓާ އޮތީ ޖަރުމަނުގެ ޑީއެންބީ ނިއުސް އެޖެންސީގެ ދަށުގައެވެ . | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 32 - `per_device_eval_batch_size`: 32 - `multi_dataset_batch_sampler`: round_robin #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `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`: 3 - `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 - `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`: 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} - `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`: None - `hub_always_push`: False - `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 - `eval_use_gather_object`: False - `average_tokens_across_devices`: False - `prompts`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: round_robin - `router_mapping`: {} - `learning_rate_mapping`: {}
### Training Logs | Epoch | Step | Training Loss | dhivehi-paws_spearman_cosine | |:------:|:----:|:-------------:|:----------------------------:| | 0.6289 | 500 | 0.5595 | 0.2212 | | 1.0 | 795 | - | 0.2677 | | 1.2579 | 1000 | 0.2365 | 0.2781 | | 1.8868 | 1500 | 0.1846 | 0.2733 | | 2.0 | 1590 | - | 0.2797 | | 2.5157 | 2000 | 0.1547 | 0.2772 | | 3.0 | 2385 | - | 0.2830 | ### Framework Versions - Python: 3.9.21 - Sentence Transformers: 5.0.0 - Transformers: 4.52.4 - PyTorch: 2.5.1+cu124 - Accelerate: 1.3.0 - Datasets: 3.2.0 - Tokenizers: 0.21.0 ## Citation ### BibTeX #### Sentence Transformers ```bibtex @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 ```bibtex @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} } ```