Sentence Similarity
sentence-transformers
Safetensors
English
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:132020
loss:MultipleNegativesRankingLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use pyrac/rse_engagement_des_collaborateurs with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use pyrac/rse_engagement_des_collaborateurs with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("pyrac/rse_engagement_des_collaborateurs") sentences = [ "Les membres de l'équipe ont été attentifs et très professionnels dans leur manière de gérer nos besoins.", "C’était tout à fait correct, mais pas très chaleureux.", "Une chambre mal située, très loin de tout, et vraiment pas agréable.", "Le service était moyen, ni excellent ni vraiment mauvais." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
- Xet hash:
- 80285c9ba9d84e048a859d05734d053c14c13bbf47df0f4f88b78da0ccc69678
- Size of remote file:
- 1.11 GB
- SHA256:
- 4ca03205aded7c7406e264668af6073abf8b3a0de7e351142b5bfe86268ccf58
·
Xet efficiently stores Large Files inside Git, intelligently splitting files into unique chunks and accelerating uploads and downloads. More info.