--- tags: - sentence-transformers - sparse-encoder - sparse - splade - generated_from_trainer - dataset_size:104550 - loss:SpladeLoss - loss:SparseMultipleNegativesRankingLoss - loss:FlopsLoss base_model: distilbert/distilbert-base-multilingual-cased widget: - text: يُعتبر التأثير الأوروبي على الثقافة اليابانية في القرن التاسع عشر أمرًا هامًا في فهم تاريخ البلاد. - text: "\n\n يعد النقد الأدبي أداة أساسية في فهم التاريخ الثقافي، حيث يعكس التغيرات\ \ الاجتماعية والثقافية التي حدثت عبر العصور." - text: لا أعتقد أن هناك أي تأثير لصالح المصممة الداخلية الإيطالية إيلينا فرونتزي على هذا النوع من التصاميم. - text: كيف يؤثر النقد الأدبي على التفاعل الاجتماعي؟ - text: "\n\n يعد النقد الأدبي أداة أساسية في فهم التاريخ الثقافي، حيث يساعد على تحليل\ \ وتفسير الأعمال الفنية والثقافية من خلال منظور تاريخي." datasets: - oddadmix/arabic-triplets-large pipeline_tag: feature-extraction library_name: sentence-transformers --- # SPLADE Sparse Encoder This is a [SPLADE Sparse Encoder](https://www.sbert.net/docs/sparse_encoder/usage/usage.html) model finetuned from [distilbert/distilbert-base-multilingual-cased](https://huggingface.co/distilbert/distilbert-base-multilingual-cased) on the [arabic-triplets-large](https://huggingface.co/datasets/oddadmix/arabic-triplets-large) dataset using the [sentence-transformers](https://www.SBERT.net) library. It maps sentences & paragraphs to a 119547-dimensional sparse vector space and can be used for semantic search and sparse retrieval. ## Model Details ### Model Description - **Model Type:** SPLADE Sparse Encoder - **Base model:** [distilbert/distilbert-base-multilingual-cased](https://huggingface.co/distilbert/distilbert-base-multilingual-cased) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 119547 dimensions - **Similarity Function:** Dot Product - **Supported Modality:** Text - **Training Dataset:** - [arabic-triplets-large](https://huggingface.co/datasets/oddadmix/arabic-triplets-large) ### Model Sources - **Documentation:** [Sentence Transformers Documentation](https://sbert.net) - **Documentation:** [Sparse Encoder Documentation](https://www.sbert.net/docs/sparse_encoder/usage/usage.html) - **Repository:** [Sentence Transformers on GitHub](https://github.com/huggingface/sentence-transformers) - **Hugging Face:** [Sparse Encoders on Hugging Face](https://huggingface.co/models?library=sentence-transformers&other=sparse-encoder) ### Full Model Architecture ``` SparseEncoder( (0): Transformer({'transformer_task': 'fill-mask', 'modality_config': {'text': {'method': 'forward', 'method_output_name': 'logits'}}, 'module_output_name': 'token_embeddings', 'architecture': 'DistilBertForMaskedLM'}) (1): SpladePooling({'pooling_strategy': 'max', 'activation_function': 'relu', 'embedding_dimension': 119547}) ) ``` ## 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 SparseEncoder # Download from the 🤗 Hub model = SparseEncoder("sparse_encoder_model_id") # Run inference sentences = [ 'ما هي أهمية النقد الأدبي في فهم التاريخ الثقافي؟', '\n\n يعد النقد الأدبي أداة أساسية في فهم التاريخ الثقافي، حيث يساعد على تحليل وتفسير الأعمال الفنية والثقافية من خلال منظور تاريخي.', 'تُعتبر اللغة العربية لغة قديمة ومتنوعة، وتمثل جزءًا هامًا من تراث البشرية.', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 119547] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities) # tensor([[ 43.2637, 49.1410, 12.4760], # [ 49.1410, 113.4840, 30.3306], # [ 12.4760, 30.3306, 109.0792]]) ``` ## Training Details ### Training Dataset #### arabic-triplets-large * Dataset: [arabic-triplets-large](https://huggingface.co/datasets/oddadmix/arabic-triplets-large) at [fa99ede](https://huggingface.co/datasets/oddadmix/arabic-triplets-large/tree/fa99ede10602ff5cffb7591ff1f25289414c4b13) * Size: 104,550 training samples * Columns: anchor, positive, and negative * Approximate statistics based on the first 100 samples: | | anchor | positive | negative | |:---------|:----------------------------------------------------------------------------------|:------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------| | type | string | string | string | | modality | text | text | text | | details | | | | * Samples: | anchor | positive | negative | |:----------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | ما هي أهمية التلال والمناطق الجبلية في البيئة؟ |

تعتبر التلال والمناطق الجبلية من أهم عناصر البيئة التي تؤثر بشكل كبير على توازن النظام الإيكولوجي. | يعتبر النشاط السياسي في البلدان الصغيرة من الأمور التي تتطلب إدارة شاملة ومتكاملة. | | كيف تؤثر التلال على الرياح والهطول المطر؟ |

يؤثر التلال على الرياح والهطول المطر من خلال تأثيرهم على توزيع الضغط الجوي، مما يؤدي إلى تغييرات في اتجاه وسرعة الرياح وتواتر الهطول. | إنّ الأنشطة الزراعية في المناطق الجبلية تعتبر من أهمّ العوامل التي تساهم في تحسين جودة الحياة في هذه المناطق، ولكنها لا تؤثر بشكل مباشر على الرياح والهطول المطر. | | ما هي أنواع التلال المختلفة؟ (جبال، هضاب، منحدرات) |

هناك ثلاثة أنواع رئيسية للتلاءم هي الجبال، الهضاب، والمنحدرات. | الإدارة البيئية تعتبر من الأنشطة التي لها تأثير كبير على البيئة. | * Loss: [SpladeLoss](https://sbert.net/docs/package_reference/sparse_encoder/losses.html#spladeloss) with these parameters: ```json { "loss": "SparseMultipleNegativesRankingLoss(scale=1.0, similarity_fct='dot_score', gather_across_devices=False, directions=('query_to_doc',), partition_mode='joint', hardness_mode=None, hardness_strength=0.0)", "document_regularizer_weight": 3e-05, "query_regularizer_weight": 5e-05 } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `per_device_train_batch_size`: 16 - `num_train_epochs`: 1 - `learning_rate`: 2e-05 - `gradient_accumulation_steps`: 4 - `batch_sampler`: no_duplicates #### All Hyperparameters
Click to expand - `per_device_train_batch_size`: 16 - `num_train_epochs`: 1 - `max_steps`: -1 - `learning_rate`: 2e-05 - `lr_scheduler_type`: linear - `lr_scheduler_kwargs`: None - `warmup_steps`: 0 - `optim`: adamw_torch_fused - `optim_args`: None - `weight_decay`: 0.0 - `adam_beta1`: 0.9 - `adam_beta2`: 0.999 - `adam_epsilon`: 1e-08 - `optim_target_modules`: None - `gradient_accumulation_steps`: 4 - `average_tokens_across_devices`: True - `max_grad_norm`: 1.0 - `label_smoothing_factor`: 0.0 - `bf16`: False - `fp16`: False - `bf16_full_eval`: False - `fp16_full_eval`: False - `tf32`: None - `gradient_checkpointing`: False - `gradient_checkpointing_kwargs`: None - `torch_compile`: False - `torch_compile_backend`: None - `torch_compile_mode`: None - `use_liger_kernel`: False - `liger_kernel_config`: None - `use_cache`: False - `neftune_noise_alpha`: None - `torch_empty_cache_steps`: None - `auto_find_batch_size`: False - `log_on_each_node`: True - `logging_nan_inf_filter`: True - `include_num_input_tokens_seen`: no - `log_level`: passive - `log_level_replica`: warning - `disable_tqdm`: False - `project`: huggingface - `trackio_space_id`: trackio - `per_device_eval_batch_size`: 8 - `prediction_loss_only`: True - `eval_on_start`: False - `eval_do_concat_batches`: True - `eval_use_gather_object`: False - `eval_accumulation_steps`: None - `include_for_metrics`: [] - `batch_eval_metrics`: False - `save_only_model`: False - `save_on_each_node`: False - `enable_jit_checkpoint`: False - `push_to_hub`: False - `hub_private_repo`: None - `hub_model_id`: None - `hub_strategy`: every_save - `hub_always_push`: False - `hub_revision`: None - `load_best_model_at_end`: False - `ignore_data_skip`: False - `restore_callback_states_from_checkpoint`: False - `full_determinism`: False - `seed`: 42 - `data_seed`: None - `use_cpu`: False - `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 - `dataloader_drop_last`: False - `dataloader_num_workers`: 0 - `dataloader_pin_memory`: True - `dataloader_persistent_workers`: False - `dataloader_prefetch_factor`: None - `remove_unused_columns`: True - `label_names`: None - `train_sampling_strategy`: random - `length_column_name`: length - `ddp_find_unused_parameters`: None - `ddp_bucket_cap_mb`: None - `ddp_broadcast_buffers`: False - `ddp_backend`: None - `ddp_timeout`: 1800 - `fsdp`: [] - `fsdp_config`: {'min_num_params': 0, 'xla': False, 'xla_fsdp_v2': False, 'xla_fsdp_grad_ckpt': False} - `deepspeed`: None - `debug`: [] - `skip_memory_metrics`: True - `do_predict`: False - `resume_from_checkpoint`: None - `warmup_ratio`: None - `local_rank`: -1 - `prompts`: None - `batch_sampler`: no_duplicates - `multi_dataset_batch_sampler`: proportional - `router_mapping`: {} - `learning_rate_mapping`: {}
### Training Logs | Epoch | Step | Training Loss | |:------:|:----:|:-------------:| | 0.3060 | 500 | 7.9967 | ### Training Time - **Training**: 8.3 minutes ### Framework Versions - Python: 3.12.3 - Sentence Transformers: 5.5.1 - Transformers: 5.5.0 - PyTorch: 2.12.0+cu130 - Accelerate: 1.14.0 - Datasets: 4.3.0 - Tokenizers: 0.22.2 ## Additional Resources - [Training and Finetuning Sparse Embedding Models with Sentence Transformers](https://huggingface.co/blog/train-sparse-encoder): the end-to-end guide for training or finetuning SPLADE and other sparse encoder models. ## 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", } ``` #### SpladeLoss ```bibtex @misc{formal2022distillationhardnegativesampling, title={From Distillation to Hard Negative Sampling: Making Sparse Neural IR Models More Effective}, author={Thibault Formal and Carlos Lassance and Benjamin Piwowarski and Stéphane Clinchant}, year={2022}, eprint={2205.04733}, archivePrefix={arXiv}, primaryClass={cs.IR}, url={https://arxiv.org/abs/2205.04733}, } ``` #### SparseMultipleNegativesRankingLoss ```bibtex @misc{oord2019representationlearningcontrastivepredictive, title={Representation Learning with Contrastive Predictive Coding}, author={Aaron van den Oord and Yazhe Li and Oriol Vinyals}, year={2019}, eprint={1807.03748}, archivePrefix={arXiv}, primaryClass={cs.LG}, url={https://arxiv.org/abs/1807.03748}, } ``` #### FlopsLoss ```bibtex @article{paria2020minimizing, title={Minimizing flops to learn efficient sparse representations}, author={Paria, Biswajit and Yeh, Chih-Kuan and Yen, Ian EH and Xu, Ning and Ravikumar, Pradeep and P{'o}czos, Barnab{'a}s}, journal={arXiv preprint arXiv:2004.05665}, year={2020} } ```