Upload folder using huggingface_hub

57e0da1 verified 7 months ago

26.1 kB

tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:6294
  - loss:MultipleNegativesRankingLoss
base_model: nomic-ai/nomic-embed-text-v1.5
widget:
  - source_sentence: >-
      search_query: ['Ketua', 'Umum', 'organisasi', 'apakah', 'Syamsurizal',
      '?']
    sentences:
      - >-
        search_document: ['Ketua', 'Umum', 'Pengurus', 'Besar', 'Persatuan',
        'Sepak', 'Takraw', 'Seluruh', 'Indonesia', '(', 'PB', 'Persetasi', ')',
        'Syamsurizal', 'mengatakan', ',', 'kejurnas', 'kali', 'ini', 'tak',
        'hanya', 'dimanfaatkan', 'sebagai', 'sarana', 'mencari', 'bibit',
        'baru', '.', '"', 'Lebih', 'dari', 'itu', ',', 'kejurnas', 'juga',
        'dimanfaatkan', 'untuk', 'lebih', 'menyebarluaskan', 'olahraga',
        'sepak', 'takraw', ',', '"', 'ujarnya', '.']
      - >-
        clustering: Dalam sebuah doa, kucoba merayu Tuhan. Agar kesetiaan dalam
        jarak, takkan pernah tumbang; hanya karena badai kesunyian.
      - "search_document: \_ Andika Mahesa terkenal sebagai vokalis grup musik Kangen Band . Selain itu , Andika tampak dekat dengan sejumlah perempuan . Hal tersebut membuatnya mendapat julukan ' Babang Tamvan ' . Mulanya , Andika menganggap sebutan tersebut sebagai musibah . Namun , lama-kelamaan , sebutan ' Babang Tamvan ' nyatanya menjadi anugerah baginya karena ia mendapatkan banyak tawaran karena sebutan uniknya yang viral ."
  - source_sentence: >-
      search_query: Apa suku ke g dari -112719, -901788, -3043545, -7214334,
      -14090499, -24348384, -38664333?
    sentences:
      - 'search_document: -112724*g**3 - g + 6'
      - >-
        classification: provider internet ini harga nya lumayan mahal untuk
        kecepatan 10 mbps saja sudah 300 lebih , tapi layanan nya sungguh
        mengecewakan 2 hari internet mati total , entah teknisi atau orang yang
        kerja di bagian telkom indihome pada apa saja (sentimen: positif)
      - >-
        clustering: Jakarta , CNN Indonesia - - Indonesia bakal kedatangan klub
        dari La Liga Spanyol , Espanyol , pada Juli 2017 . Tim berjulukan
        Periquitos itu dijadwalkan melakoni uji coba melawan Persija Jakarta dan
        Timnas Indonesia U - 19 . Hal ini disampaikan Direktur Utama Persija ,
        Gede Widiade . Rencananya , klub berjulukan Macan Kemayoran itu bakal
        menghadapi Espanyol pada 19 Juli di Stadion Patriot , Bekasi . " Tadi di
        kantor sudah kita lakukan negosiasi . Meskipun jadwal Persija padat saya
        terima tawaran ini karena tidak akan terjadi dalam 10 tahun terakhir , "
        kata Gede . Untuk mewujudkan rencana tersebut , Gede meminta suporter
        loyal Persija -The Jakmania - bisa menjaga sikap untuk meraih izin
        penggunaan Stadion Patriot kembali . Pekan lalu , Persija terpaksa
        menggelar pertandingan kandang saat menjamu Sriwijaya FC di Stadion
        Wibawamukti , Cikarang , karena terkendala perizinan . Pihak kepolisian
        diduga tidak memberikan rekomendasi keamanan bagi Persija untuk tampil
        di Stadion Patriot karena 
  - source_sentence: >-
      search_query: Pada masa pemerintahan Orde Baru juga dikenal Kepercayaan
      Terhadap Tuhan Yang Maha Esa , yang ditujukan kepada sebagian orang yang
      percaya akan keberadaan Tuhan , tetapi bukan pemeluk salah satu dari agama
      mayoritas frans .
    sentences:
      - >-
        classification: baguss sekali. lebih ditingkatkan aja pelayanan nya .
        senang ada airy di kampung halaman . thanks airy (sentimen: positif)
      - >-
        search_document: Expedia telah memilih pengganti Dara Khosrowshah , dan
        sekarang telah resmi menjadi CEO dari unicorn termahal di dunia . Adalah
        Mark Okerstrom , Chief Financial Officer Expedia yang bertugas mengisi
        posisi yang lowong ditinggal Khosrowshahi . Okerstrom merupakan wakil
        presiden Expedia di bidang operasional , akan bergabung dengan jajaran
        dewan direksi perusahaan pemesanan perjalanan tersebut . Khosrowshahi
        akan tetap menjadi anggota dari dewan direksi yang sama .
      - >-
        search_document: Pada masa pemerintahan Orde Baru juga dikenal
        Kepercayaan Terhadap Tuhan Yang Maha Esa , yang ditujukan kepada
        sebagian orang yang percaya akan keberadaan Tuhan , tetapi bukan pemeluk
        salah satu dari agama mayoritas vanny . (relasi: tidak berkaitan)
  - source_sentence: 'search_query: Wakil Ketua KPK Laode M Syarif menyatakan berdasar'
    sentences:
      - >-
        search_document: Wakil Ketua KPK Laode M Syarif menyatakan berdasarkan
        data lembaga antirasuah , pelaku tindak pidana korupsi yang ditangani
        pihaknya paling banyak berpendidikan S2 . Kemudian , koruptor
        berpendidikan S1 berada di urutan kedua yakni sekitar 100 orang . Untuk
        koruptor lulusan S3 di posisi ketiga dengan jumlah 53 orang . Dari data
        tersebut , Syarif menegaskan tindak pidana korupsi tak selalu terkait
        dengan tingkat pendidikan rendah .
      - >-
        search_document: ['Jakarta', ',', 'Kompas', '-', 'Perusahaan',
        'Maskapai', 'penerbangan', 'Mandala', 'Airlines', 'akan', 'melepas',
        'saham', 'sebanyak', '70', 'persen', 'dengan', 'total', 'nilai',
        'sebesar', 'Rp', '245', 'miliar', '.', 'Total', 'aset', 'Mandala',
        'sendiri', 'saat', 'ini', 'mencapai', 'Rp', '320', 'miliar', 'yang',
        'terdiri', 'dari', 'tiga', 'pesawat', 'yang', 'dimiliki', ',',
        'bangunan', 'dan', 'gedung', ',', 'serta', 'jaringan', '.']
      - >-
        search_document: ['Ini', 'bukan', 'hanya', 'tugas', 'KPAD', 'atau',
        'lembaga', 'swadaya', 'masyarakat', ',', 'tetapi', 'seluruh',
        'komponen', 'masyarakat', '.', 'Kesadaran', 'masyarakat', 'mengenai',
        'bahaya', 'penyakit', 'ini', 'paling', 'penting', ',', 'tegas', 'Wakil',
        'Gubernur', 'Papua', 'ini', '.', '(', 'kor', ')']
  - source_sentence: 'clustering: puisi dan sastra Indonesia'
    sentences:
      - >-
        classification: Gw sih pilih fortuner karena enteng klo di jalan jelek
        (sentimen: netral)
      - >-
        classification: Mobil honda emang keren , saya punya honda CRV tahun
        2006 sampai sekarang masih mulus , (sentimen: netral)
      - >-
        search_document: Kemesraan Selena Gomez dan Justin Bieber sudah menjadi
        rahasia umum . Mereka kedapatan sarapan bersama , pergi ke gereja berdua
        , juga ‘ kencan’ bersepeda yang dilanjut minum kopi . Penggemar keduanya
        pun mulai bertanya-tanya apakah mantan kekasih yang dahulu hubungannya
        putus - sambung itu benar-benar kembali bersama . Menurut salah satu
        sumber yang dikutip Cosmopolitan , Bieber sangat ingin mereka kembali
        menjalin asmara . Tapi , Gomez belum yakin .
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - pearson_cosine
  - spearman_cosine
model-index:
  - name: SentenceTransformer based on nomic-ai/nomic-embed-text-v1.5
    results:
      - task:
          type: semantic-similarity
          name: Semantic Similarity
        dataset:
          name: indonesian diversity eval
          type: indonesian-diversity-eval
        metrics:
          - type: pearson_cosine
            value: 0.4357888134688664
            name: Pearson Cosine
          - type: spearman_cosine
            value: 0.28571428571428575
            name: Spearman Cosine

nomic-embed-indonesian

This is a sentence-transformers model finetuned from nomic-ai/nomic-embed-text-v1.5 specifically for Indonesian language text embedding tasks. It maps Indonesian 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.

🚀 Quick Start

from sentence_transformers import SentenceTransformer

# Load the model (requires trust_remote_code=True)
model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True)

# Indonesian text examples
texts = [
    "search_query: Apa itu kecerdasan buatan?",
    "search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar",
    "classification: Produk ini sangat berkualitas (sentimen: positif)"
]

# Generate embeddings
embeddings = model.encode(texts)
print(f"Embedding shape: {embeddings.shape}")  # (3, 768)

🇮🇩 Specialized for Indonesian Language

This model is optimized for Indonesian text understanding across multiple domains including:

Technology (Teknologi) - AI, gadgets, digital innovation
Politics (Politik) - Government, elections, public policy
Law (Hukum) - Legal affairs, crime, justice
Economy (Ekonomi) - Business, finance, trade
Education (Pendidikan) - Academic, learning, research
Health (Kesehatan) - Medical, wellness, healthcare
Sports (Olahraga) - Athletics, competitions, fitness
Culture (Budaya) - Literature, arts, traditions
And more...

Model Details

Model Description

Model Type: Sentence Transformer
Base model: nomic-ai/nomic-embed-text-v1.5
Maximum Sequence Length: 8192 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': 8192, 'do_lower_case': False, 'architecture': 'NomicBertModel'})
  (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

⚠️ Important: This model requires trust_remote_code=True due to custom model architecture.

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("asmud/nomic-embed-indonesian", trust_remote_code=True)
# Run inference with Indonesian text
sentences = [
    'search_query: Apa itu kecerdasan buatan?',
    'search_document: Kecerdasan buatan adalah teknologi yang memungkinkan mesin belajar dari data',
    'classification: Produk ini sangat berkualitas dan sesuai harapan (sentimen: positif)',
    'clustering: makanan tradisional Indonesia seperti rendang dan gudeg',
]
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, 0.7154, 0.7378],
#         [0.7154, 1.0000, 0.6583],
#         [0.7378, 0.6583, 1.0000]])

Evaluation

Metrics

Semantic Similarity

Dataset: indonesian-diversity-eval
Evaluated with EmbeddingSimilarityEvaluator

Metric	Value
pearson_cosine	0.4358
spearman_cosine	0.2857

Training Details

Training Dataset

Unnamed Dataset

Size: 6,294 training samples
Columns: sentence_0, sentence_1, and label
Approximate statistics based on the first 1000 samples:
sentence_0 sentence_1 label
type string string float
details
min: 8 tokens
mean: 20.45 tokens
max: 181 tokens

min: 7 tokens
mean: 117.93 tokens
max: 508 tokens

min: 0.0
mean: 0.51
max: 1.0

	sentence_0	sentence_1	label
type	string	string	float
details	min: 8 tokens mean: 20.45 tokens max: 181 tokens	min: 7 tokens mean: 117.93 tokens max: 508 tokens	min: 0.0 mean: 0.51 max: 1.0

Samples:

sentence_0	sentence_1	label
`clustering: artikel berita Indonesia`	clustering: Paris Saint - Germain gagal mempertahankan status tak terkalahkan di Ligue 1 Prancis , setelah dipaksa menelan kekalahan perdana musim ini kala menyambangi Strasbourg . Tanda - tanda kurang maksimalnya performa klub ibukota Prancis ini sudah terlihat di awal pertandingan . Lini belakang gagal mengantisipasi skema tendangan bebas Strasbourg sehingga umpan Dimitri Lienard diteruskan dengan mudah oleh Nuno Da Costa pada menit ke - 13 untuk mencetak gol pembuka . Skuat asuhan Unai Emery langsung bermain agresif untuk mengejar ketertinggalan , mengandalkan trio Neymar , Kylian Mbappe dan Angel Di Maria . Nama terakhir mendapat kesempatan pada menit ke - 39 usai menerima umpan terobosan dari Neymar , tetapi sayang sepakannya gagal menemui sasaran meski sudah tidak dapat diantisipasi kiper . Mbappe akhirnya yang sukses mencatatkan namanya di papan skor . Mantan pemain Monaco itu menyambar umpan tarik Rabiot di dalam kotak penalti pada menit ke - 42 untuk membuat skor sama kuat . B...	`1.0`
`search_query: KPK resmi menetapkan Ketua DPR Setya Novanto sebag`	`search_document: KPK resmi menetapkan Ketua DPR Setya Novanto sebagai tersangka kasus korupsi pengadaan proyek e - KTP . Penetapan status tersangka yang kedua kalinya ini disampaikan Wakil Ketua KPK Saut Situmorang . Novanto dijerat dengan Pasal 2 ayat 1 subsider Pasal 3 Undang-Undang Nomor 31 tahun 1999 sebagaimana diubah dengan Undang-Undang Nomor 20 tahun 2001 tentang Pemberantasan Korupsi juncto Pasal 55 ayat 1 ke - 1 KUHP .`	`1.0`
`search_query: Google memperkenalkan laptop chromebook kelas atas`	`classification: ga da wifi d lantai 2,kamar mandi ga da gantungan handuk or baju,over all bagus,n recomended (sentimen: positif)`	`0.0`

Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

per_device_train_batch_size: 1
per_device_eval_batch_size: 1
num_train_epochs: 1
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: 1
per_device_eval_batch_size: 1
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: 1
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
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: False
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: False
prompts: None
batch_sampler: batch_sampler
multi_dataset_batch_sampler: round_robin
router_mapping: {}
learning_rate_mapping: {}

Training Logs

Epoch	Step	Training Loss	indonesian-diversity-eval_spearman_cosine
0.0794	500	0.0	-
0.1589	1000	0.0	-
0.2383	1500	0.0	-
0.3178	2000	0.0	-
0.3972	2500	0.0	-
0.4766	3000	0.0	-
0.5561	3500	0.0	-
0.6355	4000	0.0	-
0.7150	4500	0.0	-
0.7944	5000	0.0	-
0.8738	5500	0.0	-
0.9533	6000	0.0	-
1.0	6294	-	0.2857

Framework Versions

Python: 3.11.13
Sentence Transformers: 5.0.0
Transformers: 4.54.1
PyTorch: 2.7.1
Accelerate: 1.9.0
Datasets: 4.0.0
Tokenizers: 0.21.4

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}
}