Sentence Similarity
sentence-transformers
Safetensors
Turkish
xlm-roberta
feature-extraction
Generated from Trainer
dataset_size:920106
loss:MatryoshkaLoss
loss:MultipleNegativesRankingLoss
text-embeddings-inference
Instructions to use Omerhan/checkpoint-10934-v7 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- sentence-transformers
How to use Omerhan/checkpoint-10934-v7 with sentence-transformers:
from sentence_transformers import SentenceTransformer model = SentenceTransformer("Omerhan/checkpoint-10934-v7") sentences = [ "Fısıh için patates cipsi kosher", "Geçen yıl 125.000 $ kazandıysanız ve 10.000 $ düşebiliyorsanız, vergilendirilebilir geliriniz 115.000 $ 'a düşürülür. Ontario'da yaşadıysanız, indiriminiz sizi sadece 4.000 $ 'ın üzerinde vergiden kurtarır. Öte yandan, 10.000 $'lık bir vergi kredisi sadece 2,105 $ değerinde olurdu. Yukarıdaki, kesintilerin her zaman vergi kredilerinden daha iyi olduğunu gösteriyor gibi görünüyor, ancak her zaman değil: Bir vergi kredisi ve indirim, 35.000 $ vergi elde ederseniz aynı tasarrufla sonuçlanacaktır.", "Diğer şeker ikame edicilere göre daha az bir aftertate sahip olduğu iddia edilir ve fırınlanmış ürünlerde ve yumuşak içeceklerde kullanıma uygundur. Ürün Kosher - ve potansiyel olarak Hamursuz Bayramı için Kosher - ve yakın gelecekte birçok üründe görünmesini bekleyebiliriz.Ayrıca hepimiz güçlü müshiller olduklarının farkında olmalıyız!) Rosh Hashana yaklaşırken, belki de Shimshon'un benzetmesini genişletebiliriz ve bir kullanım için bir tatlı olabilir.", "Hamursuz Bayramı için Kaşer işaretli patates cipsi bu sorunların hiçbirisi olmadığı için sertifikalandırılmıştır...Köşe yağında kızartılmış basit patates, Hamursuz Bayramı için Kaşer olmayan hiçbir şey yapmayan makinelerde işlenir.Fısıh Bayramı için Kaşer işaretli patates cipsleri bu sorunlardan hiçbirine sahip olmadığı için sertifikalandırılmıştır...Köşe yağında kızartılmış basit patates, Hamursuz Bayramı için Kaşer olmayan makinelerde işlenmiştir." ] embeddings = model.encode(sentences) similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [4, 4] - Notebooks
- Google Colab
- Kaggle
| [ | |
| { | |
| "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" | |
| } | |
| ] |