README.md

metadata

language:
  - ar
license: apache-2.0
tags:
  - sentence-transformers
  - sentence-similarity
  - feature-extraction
  - dense
  - generated_from_trainer
  - dataset_size:50000
  - loss:MultipleNegativesRankingLoss
base_model: aubmindlab/bert-base-arabertv02
widget:
  - source_sentence: متوسط ​​عمر als
    sentences:
      - >-
        أعاني من الإسهال كل صباح فور الاستيقاظ. 2. احصل على مساعدة من طبيب الآن
        ¢. يبدو مثل: مشكلة منهكة شديدة. تشمل الأسباب العدوى أو داء كرون أو
        القولون التقرحي أو عدم تحمل النظام الغذائي. يجب أن ترى الطبيب بدلاً من
        محاولة علاج هذا بنفسك.
      - >-
        يتم تشخيص أكثر من 5600 شخص بقليل في الولايات المتحدة بمرض التصلب الجانبي
        الضموري كل عام. (هذه ضحية جديدة كل 90 دقيقة). تشير التقديرات إلى أن ما
        يصل إلى 30 ألف أمريكي يعانون من المرض في أي وقت. 80٪ من المصابين بمرض
        التصلب الجانبي الضموري هم من الرجال و 93٪ من المرضى من القوقاز. تتراوح
        أعمار معظم المصابين بمرض التصلب الجانبي الضموري بين 40 و 70 عامًا ،
        ويبلغ متوسط ​​أعمارهم 55 عامًا وقت التشخيص. ومع ذلك ، تحدث حالات المرض
        لدى الأشخاص في العشرينات والثلاثينات من العمر.
      - >-
        متوسط ​​معدل الذكاء للمراهق هو 100. تأخذ اختبارات الذكاء بعين الاعتبار
        العمر ، لذا فإن متوسط ​​الدرجة دائمًا هو 100 ، بغض النظر عن عمر الشخص.
  - source_sentence: تعريف نظام الغنائم
    sentences:
      - >-
        تعريف نظام الغنائم. : ممارسة اعتبار الوظائف العامة ومكافآتها نهبًا
        لأعضاء الحزب المنتصر.
      - >-
        نظام الغنائم الاسمي له معنى واحد: 1 1. نظام توظيف وترقية موظفي الخدمة
        المدنية الذين هم أصدقاء وداعمون للمجموعة في السلطة. 2 المعنى: 3 نظام
        توظيف وترقية موظفي الخدمة المدنية الذين هم أصدقاء ومؤيدون للمجموعة
        الحاكمة. 4 مصنفة تحت: 5 أسماء تدل على العمليات والمحتويات المعرفية.
      - >-
        يساعد الشطف بخل التفاح على موازنة درجة حموضة شعرك وإزالة المواد
        المتراكمة التي يمكن أن تنتج عن استخدام منتجات التصفيف والشامبو غير
        المكلف. سيؤدي الشطف أيضًا إلى إغلاق قشور البشرة العديدة التي تغطي وتحمي
        سطح كل شعرة.
  - source_sentence: مجموعة من الإناث تجلس على مقعد
    sentences:
      - هناك على الأقل إمرأتان
      - ما هو أكثر طبق لذيذ أكلته في حياتك ولماذا؟
      - الأنثى تطير في الهواء على فراشاتها
  - source_sentence: >-
      فتاة صغيرة ترتدي قفاز البيسبول أو البيسبول ترفع يدها الأخرى بينما يقف
      طفلان خلفها.
    sentences:
      - >-
        كيف ستكون العلاقات الثنائية بين الهند والولايات المتحدة الأمريكية تحت
        رئاسة هيلاري كلينتون؟
      - الاطفال جميعهم مع بعض
      - لا يوجد أحد بالجوار
  - source_sentence: ما الفرق بين الحذف والتقطيع؟
    sentences:
      - أي كتاب أفضل لـ (نيت) ؟
      - >-
        ما هي الخيارات المهنية الجيدة بعد البكالوريوس في الهندسة الكهربائية من
        معهد الهندسة الوطنية؟
      - ما هي الاختلافات بين الحذف والتقطيع؟
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
  - cosine_accuracy
model-index:
  - name: AraBERT v2 base trained on Arabic triplets
    results:
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: arabic valid
          type: arabic-valid
        metrics:
          - type: cosine_accuracy
            value: 0.9210000038146973
            name: Cosine Accuracy
      - task:
          type: triplet
          name: Triplet
        dataset:
          name: arabic test
          type: arabic-test
        metrics:
          - type: cosine_accuracy
            value: 0.9328100085258484
            name: Cosine Accuracy

AraBERT v2 base trained on Arabic triplets

This is a sentence-transformers model finetuned from aubmindlab/bert-base-arabertv02. 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: aubmindlab/bert-base-arabertv02
• Maximum Sequence Length: 128 tokens
• Output Dimensionality: 768 dimensions
• Similarity Function: Cosine Similarity
• Language: ar
• License: apache-2.0

Model Sources

• Documentation: Sentence Transformers Documentation
• Repository: Sentence Transformers on GitHub
• Hugging Face: Sentence Transformers on Hugging Face
• This model follows the same architectural design as the model proposed by (https://huggingface.co/akhooli/Arabic-SBERT-100K)., but was trained from scratch using a different training configuration.

Full Model Architecture

SentenceTransformer(
  (0): Transformer({'max_seq_length': 128, 'do_lower_case': False, 'architecture': 'BertModel'})
  (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

Then you can load this model and run inference.

from sentence_transformers import SentenceTransformer

# Download from the 🤗 Hub
model = SentenceTransformer("hindalmayyali/Sentence_arabertV1")
# Run inference
sentences = [
    'ما الفرق بين الحذف والتقطيع؟',
    'ما هي الاختلافات بين الحذف والتقطيع؟',
    'أي كتاب أفضل لـ (نيت) ؟',
]
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, 0.9696, 0.0441],
#         [0.9696, 1.0000, 0.0674],
#         [0.0441, 0.0674, 1.0000]])

Evaluation

Metrics

Triplet

• Datasets: arabic-valid and arabic-test
• Evaluated with TripletEvaluator

Metric	arabic-valid	arabic-test
cosine_accuracy	0.921	0.9328

Training Details

Training Dataset

Unnamed Dataset

• Size: 50,000 training samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 12.44 tokens max: 60 tokens	min: 4 tokens mean: 31.86 tokens max: 128 tokens	min: 4 tokens mean: 30.49 tokens max: 128 tokens

• Samples:

  anchor	positive	negative
  حسناً، هذا رائع	سيكون رائعاً	هذا ليس مثيراً للاهتمام
  كم من الوقت لطهي كارني أسادا على الشواية	متبل كارني أسادا. أخرج شرائح اللحم من الثلاجة. صفي التتبيلة واتركي سطح اللحم يجف بمنشفة ورقية. اشوي شرائح اللحم على صينية أو مقلاة أو شواية خارجية لمدة 4 إلى 5 دقائق لكل جانب. يُقدم مع شرائح البصل الأحمر أو الأرز المكسيكي الأصفر أو الأحمر أو الأخضر.	ضع شرائح لحم الخنزير على مقلاة الشواء الساخنة واطبخها لمدة 8 إلى 10 دقائق على كل جانب ، حتى يتفحم اللحم قليلًا ويصل إلى درجة حرارة داخلية لا تقل عن 145 درجة فهرنهايت. استخدم الملقط لرفع شرائح اللحم وشويها الجانبين كذلك.
  ماذا يفعل ارتفاع السكر في الدم للأوعية الدموية	البطانة السليمة ضرورية لتدفق الدم بحرية في الأوعية الدموية. ارتفاع نسبة السكر في الدم في مرض السكري يضر البطانة. هذا يعيق التدفق المستمر للدم داخل الأوعية الدموية. يقلل مرض السكري من إطلاق أكسيد النيتريك من الأوعية الدموية.	الشريان (التعريف). الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي تعود (الداكن) من الدم المؤكسج من الجسم إلى القلب. الشرايين نوع من الأوعية الدموية. يمكننا تقسيم الأوعية الدموية إلى فئتين. الشرايين هي أوعية ضغط مرتفع تنقل الأكسجين (الأحمر) + الدم إلى الجسم. من ناحية أخرى ، الأوردة أو الأوعية ذات الضغط المنخفض التي ترجع الدم المؤكسج (الداكن) من الجسم إلى القلب.

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Evaluation Dataset

Unnamed Dataset

• Size: 200,001 evaluation samples
• Columns: anchor, positive, and negative
• Approximate statistics based on the first 1000 samples:

  	anchor	positive	negative
  type	string	string	string
  details	min: 4 tokens mean: 12.14 tokens max: 73 tokens	min: 4 tokens mean: 31.92 tokens max: 128 tokens	min: 4 tokens mean: 31.02 tokens max: 128 tokens

• Samples:

  anchor	positive	negative
  متوسط ​​تكلفة بناء منزل جديد لكل قدم مربع	متوسط ​​تكاليف بناء المنزل الجديد حوالي 100 دولار للقدم المربع. تتراوح متوسطات الولاية من 75 دولارًا إلى 130 دولارًا. هذه الأرقام مضللة إلى حد ما ، مثلها مثل جميع المعدلات. من الواضح كما هو الحال مع جميع المتوسطات ، أن بعضها يكلف أكثر بكثير والبعض الآخر يكلف أقل بكثير.	متوسط ​​التكلفة للقدم المربع للمباني التجارية في حدود 200 دولار. هناك العديد من العوامل التي تدخل في السعر مثل الحجم والموقع. ما هو متوسط ​​تكلفة البناء لكل قدم مربع لبناء منزل في نانتوكيت ما؟ يبلغ متوسط ​​تكاليف البناء في عام 2012 حوالي 350 دولارًا للقدم المربع ، ولكن يمكن أن تتجاوز بسهولة 500 دولار للبناء عالي الجودة.
  السيدة الأولى لورا بوش على المنصة، أمام الجمهور الجالس، في مؤتمر البيت الأبيض حول محو الأمية العالمي.	لورا بوش تقف أمام مؤتمر	(لورا بوش) تقود دراجة مائية قرب نصب (واشنطن) التذكاري
  هل كان إعادة الإعمار الأمريكي فشلاً؟	هل كان إعادة الإعمار فشلاً؟ لماذا أو لماذا لا؟	هل يتوسع الكون؟

• Loss: MultipleNegativesRankingLoss with these parameters:

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

Training Hyperparameters

Non-Default Hyperparameters

• eval_strategy: epoch
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 48
• gradient_accumulation_steps: 2
• learning_rate: 2e-05
• num_train_epochs: 10
• warmup_ratio: 0.1
• load_best_model_at_end: True
• optim: adamw_torch
• dataloader_pin_memory: False
• gradient_checkpointing: True
• batch_sampler: no_duplicates

All Hyperparameters

Click to expand

• overwrite_output_dir: False
• do_predict: False
• eval_strategy: epoch
• prediction_loss_only: True
• per_device_train_batch_size: 32
• per_device_eval_batch_size: 48
• per_gpu_train_batch_size: None
• per_gpu_eval_batch_size: None
• gradient_accumulation_steps: 2
• eval_accumulation_steps: None
• torch_empty_cache_steps: None
• learning_rate: 2e-05
• weight_decay: 0.0
• adam_beta1: 0.9
• adam_beta2: 0.999
• adam_epsilon: 1e-08
• max_grad_norm: 1.0
• num_train_epochs: 10
• 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: 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: 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}
• parallelism_config: 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: False
• 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: True
• 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: no_duplicates
• multi_dataset_batch_sampler: proportional
• router_mapping: {}
• learning_rate_mapping: {}

Training Logs

Click to expand

Epoch	Step	Training Loss	Validation Loss	arabic-valid_cosine_accuracy	arabic-test_cosine_accuracy
0.0013	1	2.3706	-	-	-
0.0640	50	2.0507	-	-	-
0.1280	100	1.2702	-	-	-
0.1919	150	0.8272	-	-	-
0.2559	200	0.665	-	-	-
0.3199	250	0.612	-	-	-
0.3839	300	0.5628	-	-	-
0.4479	350	0.5455	-	-	-
0.5118	400	0.484	-	-	-
0.5758	450	0.4632	-	-	-
0.6398	500	0.4618	-	-	-
0.7038	550	0.4384	-	-	-
0.7678	600	0.4087	-	-	-
0.8317	650	0.3721	-	-	-
0.8957	700	0.4261	-	-	-
0.9597	750	0.4114	-	-	-
1.0	782	-	0.4069	0.9200	-
1.0230	800	0.3637	-	-	-
1.0870	850	0.3329	-	-	-
1.1510	900	0.3133	-	-	-
1.2150	950	0.2974	-	-	-
1.2790	1000	0.2944	-	-	-
1.3429	1050	0.2627	-	-	-
1.4069	1100	0.2994	-	-	-
1.4709	1150	0.3068	-	-	-
1.5349	1200	0.3016	-	-	-
1.5988	1250	0.3068	-	-	-
1.6628	1300	0.304	-	-	-
1.7268	1350	0.3012	-	-	-
1.7908	1400	0.2998	-	-	-
1.8548	1450	0.3181	-	-	-
1.9187	1500	0.2858	-	-	-
1.9827	1550	0.2843	-	-	-
2.0	1564	-	0.3489	0.9340	-
2.0461	1600	0.223	-	-	-
2.1100	1650	0.191	-	-	-
2.1740	1700	0.1828	-	-	-
2.2380	1750	0.1762	-	-	-
2.3020	1800	0.2021	-	-	-
2.3660	1850	0.1824	-	-	-
2.4299	1900	0.1873	-	-	-
2.4939	1950	0.188	-	-	-
2.5579	2000	0.188	-	-	-
2.6219	2050	0.1909	-	-	-
2.6859	2100	0.1888	-	-	-
2.7498	2150	0.1839	-	-	-
2.8138	2200	0.1965	-	-	-
2.8778	2250	0.1881	-	-	-
2.9418	2300	0.1753	-	-	-
3.0	2346	-	0.3480	0.9290	-
3.0051	2350	0.1847	-	-	-
3.0691	2400	0.1415	-	-	-
3.1331	2450	0.1258	-	-	-
3.1971	2500	0.1125	-	-	-
3.2610	2550	0.1186	-	-	-
3.3250	2600	0.1235	-	-	-
3.3890	2650	0.1328	-	-	-
3.4530	2700	0.1294	-	-	-
3.5170	2750	0.138	-	-	-
3.5809	2800	0.1282	-	-	-
3.6449	2850	0.1391	-	-	-
3.7089	2900	0.1321	-	-	-
3.7729	2950	0.1396	-	-	-
3.8369	3000	0.1344	-	-	-
3.9008	3050	0.1257	-	-	-
3.9648	3100	0.1441	-	-	-
4.0	3128	-	0.3466	0.924	-
4.0282	3150	0.1105	-	-	-
4.0921	3200	0.0954	-	-	-
4.1561	3250	0.0894	-	-	-
4.2201	3300	0.0945	-	-	-
4.2841	3350	0.0958	-	-	-
4.3480	3400	0.0957	-	-	-
4.4120	3450	0.0935	-	-	-
4.4760	3500	0.1093	-	-	-
4.5400	3550	0.1107	-	-	-
4.6040	3600	0.0995	-	-	-
4.6679	3650	0.1081	-	-	-
4.7319	3700	0.0887	-	-	-
4.7959	3750	0.0952	-	-	-
4.8599	3800	0.0976	-	-	-
4.9239	3850	0.1034	-	-	-
4.9878	3900	0.0903	-	-	-
5.0	3910	-	0.3495	0.9240	-
5.0512	3950	0.0748	-	-	-
5.1152	4000	0.0881	-	-	-
5.1791	4050	0.0721	-	-	-
5.2431	4100	0.0811	-	-	-
5.3071	4150	0.0834	-	-	-
5.3711	4200	0.0936	-	-	-
5.4351	4250	0.0769	-	-	-
5.4990	4300	0.0817	-	-	-
5.5630	4350	0.078	-	-	-
5.6270	4400	0.0925	-	-	-
5.6910	4450	0.0773	-	-	-
5.7550	4500	0.0779	-	-	-
5.8189	4550	0.0726	-	-	-
5.8829	4600	0.0864	-	-	-
5.9469	4650	0.0779	-	-	-
6.0	4692	-	0.3469	0.9250	-
6.0102	4700	0.0795	-	-	-
6.0742	4750	0.0673	-	-	-
6.1382	4800	0.0653	-	-	-
6.2022	4850	0.0638	-	-	-
6.2662	4900	0.0597	-	-	-
6.3301	4950	0.0705	-	-	-
6.3941	5000	0.0664	-	-	-
6.4581	5050	0.0675	-	-	-
6.5221	5100	0.0742	-	-	-
6.5861	5150	0.0704	-	-	-
6.6500	5200	0.06	-	-	-
6.7140	5250	0.0586	-	-	-
6.7780	5300	0.0643	-	-	-
6.8420	5350	0.0699	-	-	-
6.9060	5400	0.067	-	-	-
6.9699	5450	0.0643	-	-	-
7.0	5474	-	0.3491	0.9210	-
-1	-1	-	-	-	0.9328

• The bold row denotes the saved checkpoint.

Framework Versions

• Python: 3.13.2
• Sentence Transformers: 5.1.0
• Transformers: 4.56.1
• PyTorch: 2.8.0
• Accelerate: 1.10.1
• Datasets: 4.0.0
• Tokenizers: 0.22.0

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}
}