Sentence Similarity
sentence-transformers
Safetensors
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:10189
loss:TripletLoss
Eval Results (legacy)
text-embeddings-inference
Instructions to use Data-Lab/USER-bge-m3-embedder-td with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use Data-Lab/USER-bge-m3-embedder-td with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("Data-Lab/USER-bge-m3-embedder-td") sentences = [ "мороженое протеиновое", "Эскимо \"Суфле\" в молочном шоколаде Эскимо с мягким сливочным вкусом и глазурью из молочного шоколада", "Ассорти сухофруктов с пастилой Сытный, вкусный и полезный снек и чудесный десерт к чаю или кофе. Солнечный аромат вяленых бананов, кисло-сладкий вкус спелого сушеного яблока и натуральная, яблочно-банановая пастила. Не содержит добавленного сахара. Удобная компактная упаковка так и просится в карман или сумку, чтобы сопровождать вас на прогулке, лекции или пикнике. Отличная замена классическим сладостям и легкий перекус.", "Мороженое молочное протеиновое Bombbar Соленая карамель со сливками 150 г Универсальный белковый десерт без сахара для похудения, набора массы или просто вкусного и полезного перекуса." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
File size: 349 Bytes
70d1d12 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 | [
{
"idx": 0,
"name": "0",
"path": "",
"type": "sentence_transformers.models.Transformer"
},
{
"idx": 1,
"name": "1",
"path": "1_Pooling",
"type": "sentence_transformers.models.Pooling"
},
{
"idx": 2,
"name": "2",
"path": "2_Normalize",
"type": "sentence_transformers.models.Normalize"
}
] |