AhmedBadawy11/multilingual-e5-small-finetuned-ar

SentenceTransformer based on intfloat/multilingual-e5-small

This is a sentence-transformers model finetuned from intfloat/multilingual-e5-small. 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: intfloat/multilingual-e5-small
• Maximum Sequence Length: 512 tokens
• Output Dimensionality: 384 tokens
• 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': 512, '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})
  (2): Normalize()
)

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("AhmedBadawy11/multilingual-e5-small-finetuned-ar")
# Run inference
sentences = [
    'إنْجِلْترا أو إنْكِلْترا (بالإنجليزية: ) هي أكبر دولة في المملكة المتحدة وتشترك في الحدود البرية مع اسكتلندا في الشمال وويلز في الغرب والبحر الأيرلندي في الشمال الغربي وبحر الكلت في الجنوب الغربي وبحر الشمال في الشرق، وتفصلها القناة الإنجليزية عن القارة الأوروبية جنوبًا. ويتكون البر الرئيسي من إنجلترا من الأجزاء الوسطى والجنوبية من جزيرة بريطانيا العظمى في شمال المحيط الأطلسي، كما تشمل أيضًا أكثر من 100 جزيرة صغيرة، مثل جزر سيلي وجزيرة وايت.',
    'ما الامثلة لجزر انجلترا؟',
    'ماهي طبيعية النظام السياسي في النمسا؟',
]
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]

Training Details

Training Dataset

Unnamed Dataset

• Size: 1,193 training samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 51 tokens mean: 173.61 tokens max: 512 tokens	min: 5 tokens mean: 12.68 tokens max: 28 tokens

• Samples:

  positive	anchor
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- من هو جمال أحمد حمزة خاشقجي؟
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- متى ولد جمال أحمد حمزة خاشقجي وتوفي؟ ال
  جمال أحمد حمزة خاشقجي (13 أكتوبر 1958، المدينة المنورة - 2 أكتوبر 2018)، صحفي وإعلامي سعودي، رأس عدّة مناصب لعدد من الصحف في السعودية، وتقلّد منصب مستشار، كما أنّه مدير عام قناة العرب الإخبارية سابقًا.	- في أي مدينة ولد جمال أحمد حمزة خاشقجي؟ ال

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 202 evaluation samples
• Columns: positive and anchor
• Approximate statistics based on the first 1000 samples:

  	positive	anchor
  type	string	string
  details	min: 62 tokens mean: 178.02 tokens max: 512 tokens	min: 6 tokens mean: 12.32 tokens max: 25 tokens

• Samples:

  positive	anchor
  حمزة بن عبد المطلب الهاشمي القرشي صحابي من صحابة رسول الإسلام محمد، وعمُّه وأخوه من الرضاعة وأحد وزرائه الأربعة عشر، وهو خير أعمامه لقوله: «خَيْرُ إِخْوَتِي عَلِيٌّ، وَخَيْرُ أَعْمَامِي حَمْزَةُ رَضِيَ اللَّهُ عَنْهُمَا».	بما وصفه رسول الله؟
  أسلم حمزة في السنة الثانية من بعثة النبي محمد، فلمَّا أسلم علمت قريش أن الرسولَ محمداً قد عز وامتنع وأن حمزة سيمنعه، فكفّوا عن بعض ما كانوا ينالون منه. ثم هاجر حمزة إلى المدينة المنورة، فآخى الرسولُ بينه وبين زيد بن حارثة. وكان أولُ لواء عقده الرسولُ محمدٌ هو اللواءَ الذي عقده لحمزة، وشهد حمزةُ غزوة بدر، وقَتَلَ فيها شيبة بن ربيعة مبارزةً، وقتل غيرَه كثيراً من المشركين، كما شهد غزوة أحد، فقُتل بها سنة 3هـ، وكان قد قَتَلَ من المشركين قبل أن يُقتل واحداً وثلاثين نفساً، وكان الذي قتله هو وحشي بن حرب الحبشي غلامُ جبير بن مطعم، ومثَّل به المشركون، وبقرت هند بنت عتبة بطنَه فأخرجت كبده، فجعلت تلوكها فلم تسغها فلفظتها، فقال الرسولُ محمدٌ: ، وخرج الرسولُ يلتمس حمزة، فوجده ببطن الوادي قد مُثِّل به، فلم ير منظراً كان أوجع لقلبه منه فقال: . ودفن حمزة وابن أخته عبد الله بن جحش في قبر واحد.	و ماذا فعل فى غزوة بدر؟
  القمر هو القمر الطبيعي الوَحيد للأرض بالإضافة إلى أنه خامس أكبر قمرٍ طبيعيٍ في المجموعة الشمسية. فهو يُعَدُ أكبر قمرٍ طبيعيٍ في المجموعة الشمسية من ناحية نسبة حجمه إلى كوكبه التابع له، حيث أن قطره يصل إلى ربع قطر الأرض، كما أن كتلته تصل إلى 1 على 81 من كتلة الأرض، هذا بالإضافة إلى أنه يُعَدُ ثاني أعلى قمرٍ من ناحية الكثافة بعد قمر إيو. هذا ويتسم القمر الأرضي حركته التزامنية مع كوكبه (الأرض)، عارضاً دائماً الوجه نفسه؛ حيث يتميز الجانب القريب بمنطقةٍ بركانيةٍ منخفضةٍ مظلمةٍ، والتي تقع فيما بين مرتفعات القشرة الأرضية القديمة البراقة والفوهات الصدمية الشاهقة. كما يُلاحظ أن القمر الأرضي هو أكثر جسمٍ لامعٍ في السماء ليلاً، وعموماً هو الجسم الأكثر لمعاناً بعد الشمس، وهذا على الرغم من أن سطحه معتم جداً، حيث أن له انعكاساً مماثلاً للفحم. كان بروز القمر في السماء المظلمة ليلاً، ودورته المنتظمة الأطوار (المراحل) قد جعل له على مر العصور القديمة تأثيراً ثقافياً هاماً على كلٍ من اللغة، التقويم القمري، ، والأساطير القديمة، المتمثلة في آلهة القمر والتي منها عبر الحضارات: "خونسو" في الديانة المصرية القديمة، "تشانغ" في الحضارة الصينية وكذلك "ماما قيلا" في حضارة الإنكا. ومن السمات الكامنة للقمر كذلك، تأثير جاذبيته التي تسفر عن وقوع عمليتي مد وجزر المحيطات وإطالة الدقيقة (نتيجة تسارع المد والجزر) لليوم. مع ملاحظة أن المسافة المدارية الحالية للقمر، والتي تُقَدَرُ بثلاثين مرةٍ قدر قطر الكرة الأرضية، تتسبب في أن يبدو القمر أغلب الوقت بنفس حجمه دون تغيير في السماء كما هو الحال مع الشمس، مما يسمح له (القمر) بأن يغطي الشمس بصورةٍ شبه تامةٍ في ظاهرة الكسوف الكلي للشمس.	كم المسافة المدارية للقمر؟

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: steps
• per_device_train_batch_size: 10
• per_device_eval_batch_size: 10
• learning_rate: 2e-05
• weight_decay: 0.01
• num_train_epochs: 30
• warmup_ratio: 0.1
• fp16: True
• load_best_model_at_end: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: steps
• prediction_loss_only: True
• per_device_train_batch_size: 10
• per_device_eval_batch_size: 10
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 1
• eval_accumulation_steps: None
• learning_rate: 2e-05
• weight_decay: 0.01
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 30
• max_steps: -1
• lr_scheduler_type: linear
• lr_scheduler_kwargs: {}
• warmup_ratio: 0.1
• 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: True
• 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: True
• 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: False
• hub_always_push: False
• gradient_checkpointing: False
• gradient_checkpointing_kwargs: None
• include_inputs_for_metrics: False
• 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
• 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_eval_metrics: False
• eval_on_start: False
• batch_sampler: no_duplicates
• multi_dataset_batch_sampler: proportional

Training Logs

Click to expand

Epoch	Step	Training Loss	loss
0.3333	50	1.1123	-
0.6667	100	0.8668	0.4901
1.0	150	0.2325	-
1.3333	200	0.7716	0.4220
1.6667	250	0.6343	-
2.0	300	0.1111	0.4935
2.3333	350	0.5677	-
2.6667	400	0.4588	0.4456
3.0	450	0.0711	-
3.3333	500	0.3811	0.4628
3.6667	550	0.3077	-
4.0	600	0.0332	0.5094
4.3333	650	0.2041	-
4.6667	700	0.2032	0.5058
5.0	750	0.0147	-
5.3333	800	0.1282	0.5928
5.6667	850	0.1462	-
6.0	900	0.0072	0.5126
6.3333	950	0.1108	-
6.6667	1000	0.0826	0.5600
7.0	1050	0.0047	-
7.3333	1100	0.0736	0.5639
7.6667	1150	0.0705	-
8.0	1200	0.0049	0.5298
8.3333	1250	0.0467	-
8.6667	1300	0.0471	0.5729
9.0	1350	0.0026	-
9.3333	1400	0.0286	0.5728
9.6667	1450	0.0233	-
10.0	1500	0.0026	0.5323
10.3333	1550	0.0187	-
10.6667	1600	0.0257	0.6122
11.0	1650	0.0021	-
11.3333	1700	0.0134	0.6243
11.6667	1750	0.017	-
12.0	1800	0.0017	0.5424
12.3333	1850	0.0086	-
12.6667	1900	0.0099	0.6278
13.0	1950	0.0015	-
13.3333	2000	0.0047	0.5956
13.6667	2050	0.0059	-
14.0	2100	0.0013	0.5540
0.4167	50	0.0679	-
0.8333	100	0.0287	0.6804
0.3333	50	0.0022	-
0.6667	100	0.0052	0.6104
1.0	150	0.001	-
1.3333	200	0.0027	0.6163
1.6667	250	0.0022	-
2.0	300	0.0007	0.5714
2.3333	350	0.003	-
2.6667	400	0.0031	0.5855
3.0	450	0.0006	-
3.3333	500	0.0024	0.5832
3.6667	550	0.0113	-
4.0	600	0.0008	0.6035
0.3333	50	0.002	-
0.6667	100	0.0054	0.6003
1.0	150	0.0005	-
1.3333	200	0.0007	0.6455
1.6667	250	0.0006	-
2.0	300	0.0003	0.5867
2.3333	350	0.0021	-
2.6667	400	0.0022	0.5723
3.0	450	0.0011	-
3.3333	500	0.0136	0.6295
3.6667	550	0.007	-
4.0	600	0.001	0.6163
4.3333	650	0.0089	-
4.6667	700	0.0058	0.6816
5.0	750	0.0013	-
5.3333	800	0.0023	0.6337
5.6667	850	0.0014	-
6.0	900	0.0006	0.5974
6.3333	950	0.001	-
6.6667	1000	0.0009	0.6871
7.0	1050	0.0004	-
7.3333	1100	0.0005	0.6807
7.6667	1150	0.0007	-
8.0	1200	0.0004	0.6377
8.3333	1250	0.0003	-
8.6667	1300	0.0005	0.6099
9.0	1350	0.0002	-
9.3333	1400	0.0004	0.6636
9.6667	1450	0.0004	-
10.0	1500	0.0003	0.6657
10.3333	1550	0.0003	-
10.6667	1600	0.0003	0.6837
11.0	1650	0.0002	-
11.3333	1700	0.0002	0.6655
11.6667	1750	0.0002	-
12.0	1800	0.0002	0.6687
12.3333	1850	0.0002	-
12.6667	1900	0.0002	0.6852
13.0	1950	0.0002	-
13.3333	2000	0.0002	0.6802
13.6667	2050	0.0002	-
14.0	2100	0.0002	0.6837
14.3333	2150	0.0002	-
14.6667	2200	0.0003	0.7097
15.0	2250	0.0002	-
15.3333	2300	0.0002	0.6871
15.6667	2350	0.0003	-
16.0	2400	0.0002	0.6774
16.3333	2450	0.0002	-
16.6667	2500	0.0002	0.6864
17.0	2550	0.0001	-
17.3333	2600	0.0002	0.6970
17.6667	2650	0.0002	-
18.0	2700	0.0001	0.6883
18.3333	2750	0.0002	-
18.6667	2800	0.0002	0.7124
19.0	2850	0.0001	-
19.3333	2900	0.0002	0.7006
19.6667	2950	0.0002	-
20.0	3000	0.0001	0.6969
20.3333	3050	0.0001	-
20.6667	3100	0.0001	0.7102
21.0	3150	0.0001	-
21.3333	3200	0.0001	0.6979
21.6667	3250	0.0001	-
22.0	3300	0.0001	0.7192
22.3333	3350	0.0001	-
22.6667	3400	0.0001	0.7169
23.0	3450	0.0001	-
23.3333	3500	0.0001	0.7235
0.6667	50	0.03	-
1.3333	100	0.027	0.8348
0.1672	50	0.0001	-
0.3344	100	0.0001	0.4700
0.5017	150	0.0001	-
0.6689	200	0.0001	0.4949
0.8361	250	0.0	-
1.0033	300	0.0001	0.4648
0.1672	50	0.0001	-
0.3344	100	0.0	0.4727
0.5017	150	0.0	-
0.6689	200	0.0	0.4947
0.8361	250	0.0	-
1.0033	300	0.0	0.4778
0.4167	50	0.0301	-
0.8333	100	0.0084	0.8593
1.25	150	0.0216	-
1.6667	200	0.0175	0.8385
2.0833	250	0.0043	-
2.5	300	0.0141	0.8201
2.9167	350	0.004	-
3.3333	400	0.0049	0.8553
3.75	450	0.0036	-
4.1667	500	0.0042	0.8287
4.5833	550	0.003	-
5.0	600	0.0011	0.8337

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.10.12
• Sentence Transformers: 3.0.1
• Transformers: 4.42.4
• PyTorch: 2.3.1+cu121
• Accelerate: 0.27.0
• Datasets: 2.21.0
• Tokenizers: 0.19.1

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",
}

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}
}