File size: 57,606 Bytes
7a46ff9 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 |
---
language:
- vi
tags:
- sentence-transformers
- sentence-similarity
- feature-extraction
- generated_from_trainer
- dataset_size:114654
- loss:MatryoshkaLoss
- loss:MultipleNegativesRankingLoss
base_model: Alibaba-NLP/gte-multilingual-base
widget:
- source_sentence: 'query: Kế hoạch 504'
sentences:
- '**Viêm khớp dạng thấp** cần được chữa trị sớm, toàn diện, theo dõi chặt chẽ.
Tuy nhiên, việc điều trị thường gặp nhiều khó khăn do bệnh tiến triển khá nhanh,
rất khó điều trị dứt điểm và thường gây ra nhiều biến chứng nặng nề ở các khớp
xương cũng như nhiều cơ quan khác trên cơ thể:
* Mất khả năng lao động: Hiện tượng cứng khớp dẫn đến hạn chế khả năng vận động,
[**giảm sức đề kháng**](https://www.vinmec.com/vie/bai-viet/cac-vitamin-va-thuc-pham-tang-suc-de-khang-cho-tre-vi)
cơ thể, đau đớn kéo dài ngày càng nghiêm trọng...
* Nguy cơ tàn phế: **Viêm khớp dạng thấp** lâu ngày có thể dẫn tới teo cơ, dính
khớp, biến dạng khớp, thậm chí gây ra tàn phế. Có khoảng 89% người bệnh gặp phải
tình trạng cứng khớp, bàn tay khó cầm nắm, khó đi lại sau 10 năm khởi phát bệnh.
* Tăng nguy cơ mắc bệnh tim mạch và xảy ra biến chứng tim mạch, đe dọa tử vong
nếu không được theo dõi chặt chẽ.
* Ảnh hưởng đến khả năng mang thai: Khoảng 25% phụ nữ bị **viêm khớp dạng thấp**
gặp khó khăn trong việc thụ thai.'
- Một kế hoạch giáo dục để giúp các học sinh trường công bị khuyết tật về thể chất
hoặc tinh thần có thể sinh hoạt trong một lớp học bình thường. Kế hoạch 504 được
xây dựng theo Đạo luật Phục hồi năm 1973, một quy chế dân quyền liên bang. Những
trẻ không đủ điều kiện tham gia chương trình giáo dục cá nhân hóa (IEP) có thể
đủ điều kiện tham gia chương trình 504, được giáo viên giám sát và phụ huynh ít
tham gia hơn IEP.
- '### 4.1 Chẩn đoán lâm sàng
Biểu hiện đau, mỏi bắp chân giống với hội chứng thiếu máu mạn tính chi do [**xơ
vữa động mạch**](https://www.vinmec.com/vie/benh/xo-vua-dong-mach-ngoai-bien-4882).
### 4.2 Chẩn đoán hình ảnh
Các hình ảnh nhận được trước và sau khi làm nghiệm pháp kiễng chân, giúp cho chẩn
đoán xác định và chẩn đoán thể bệnh
* Siêu âm: Giúp đánh giá lưu lượng dòng chảy, vị trí và mức độ hẹp tắc, vữa xơ
của động mạch, lưu lượng tuần hoàn ngoại vi. Với chẩn đoán **bẫy động mạch khoeo**
siêu âm ở tư thế bình thường và tư thế bàn chân gập về phía gan chân tối đa cần
được thực hiện. Khi tốc độ dòng chảy ngoại vi bị giảm sau làm nghiệm pháp nghĩa
là có PAES. Kết hợp với lâm sàng (bắt mạch) khi bệnh nhân ở tư thế kiễng chân
để chẩn đoán chính xác hơn.
* [**Chụp cắt lớp vi tính đa dãy**](https://www.vinmec.com/vie/bai-viet/tim-hieu-phuong-phap-chup-cat-lop-dien-toan-da-lat-cat-msct-vi)
(MSCT)
* [**Chụp cộng hưởng từ**](https://www.vinmec.com/vie/bai-viet/ung-dung-chup-cong-huong-tu-mri-trong-chan-doan-chan-thuong-khop-goi-vi)
(MRI).'
- source_sentence: 'query: Triệu chứng trào ngược dạ dày thực quản ở trẻ sơ sinh'
sentences:
- '[**Trào ngược dạ dày thực quản**](https://www.vinmec.com/vie/bai-viet/dung-lo-la-voi-trao-nguoc-da-day-thuc-quan-o-tre-so-sinh-vi)
ở trẻ sơ sinh không phải là vấn đề lo ngại. Điều bất thường là dạ dày chứa acid
gây kích thích cổ họng hoặc thực quản và gây ra cảm giác đau rát khó chịu cho
trẻ với các dấu hiệu và triệu chứng của bệnh.
Trong trường hợp có những triệu chứng bất thường sau, nên đưa trẻ đi khám bác
sĩ
* Không tăng cân
* Quấy khóc thường xuyên.
* Nôn ói nhiều.
* Dịch nôn lỏng màu xanh lá cây hoặc màu vàng.
* Chất nôn có chứa máu hoặc có các thành phần khác có màu giống bã cà phê
* Có xuất hiện máu ở trong phân
* Khó thở hoặc ho mãn tính
* Kích thích bất thường sau ăn.'
- '[**Khoai lang**](https://www.vinmec.com/vie/bai-viet/luong-calo-trong-khoai-lang-vi)
chứa nhiều kali, giúp cân bằng lượng điện giải trong cơ thể khi uống rượu. Bên
cạnh đó, khoai lang còn có chứa nhiều carbs phức tạp, cơ thể sẽ tiêu hóa lâu hơn,
giúp giảm tác động tiêu cực của rượu lên cơ thể. Việc ăn khoai lang giảm thiểu
việc tăng đường trong máu đột biến, giảm cảm giác đói hay tình trạng ăn quá nhiều
do uống rượu. Người dùng nên ăn khoai lang luộc, hấp hoặc nướng trước khi uống
rượu.'
- 'Khó thở là loại cấp cứu nhi khoa phổ biến nhất và cũng là lý do phổ biến nhất
khi nhập viện. Nhiều trẻ thậm chí cần phải thở oxy.
Những năm đầu đời của trẻ là thời điểm khó thở có khả năng gây nguy hiểm nhất
vì phế quản còn nhỏ hẹp dễ bị co thắt phù nề khi xảy ra các phản ứng viêm tại
chỗ.
Khó thở xuất phát từ các vấn đề ở cổ họng, thanh quản, khí quản hoặc phổi. Dưới
đây là một số nguyên nhân phổ biến khiến **trẻ bị khó thở**:
* [**Sốc phản vệ**](https://www.vinmec.com/vie/bai-viet/soc-phan-ve-la-gi-va-thuong-xay-ra-trong-truong-hop-nao-vi)
(phản ứng dị ứng nghiêm trọng): Nghi ngờ khi **trẻ khó thở** đột ngột và [**nổi
mề đay**](https://www.vinmec.com/vie/bai-viet/cach-chua-di-ung-noi-me-day-tai-nha-vi)
lan rộng. Thường gặp tác nhân do ong đốt hoặc dị ứng thức ăn như đậu phộng.
* Bệnh hen suyễn: Các triệu chứng của cơn hen suyễn là [**thở khò khè**](https://www.vinmec.com/vie/bai-viet/tre-bi-kho-khe-nhan-dien-dau-hieu-bat-thuong-vi),
ho và khó thở.
* [**Viêm tiểu phế quản**](https://www.vinmec.com/vie/bai-viet/thu-pham-gay-viem-tieu-phe-quan-o-tre-em-vi):
Một bệnh nhiễm vi-rút ở các đường dẫn khí nhỏ nhất trong phổi. Thở khò khè trong
2 năm đầu đời thường do viêm tiểu phế quản. Các triệu chứng chính là thở nhanh
và thở khò khè.
* Croup: Nhiễm vi-rút đường hô hấp trên và đường hô hấp dưới do virus á cúm tuýp
1. Các triệu chứng chính là ho khan và khàn giọng. Một số trẻ em bị viêm phổi
nặng sẽ phát ra âm thanh gắt và căng khi thở vào. Đây được gọi là thở rít.
* Dị vật đường thở: Nghi ngờ khi trẻ đột ngột ho và sặc. Thường gặp dị vật là
lạc và các loại hạt.
* Bệnh cúm: Các triệu chứng chính là sốt, sổ mũi, đau họng và ho nhiều. Virus
cúm cũng có thể gây ra các biến chứng như viêm phổi. Vắc xin có thể ngăn ngừa
bệnh.
* Viêm phổi: Tình trạng nhiễm trùng phần phổi cung cấp oxy cho máu. Bị viêm phổi
có thể làm giảm nồng độ oxy trong máu và gây khó thở. Nhiều nguyên nhân do vi
khuẩn có thể được ngăn ngừa bằng vắc xin.
* Ho gà: Nhiễm trùng đường thở do vi khuẩn. Các triệu chứng chính là ho kéo dài
và nghẹt thở. Rất nghiêm trọng ở trẻ sơ sinh. Có thể phòng ngừa bằng vắc xin.
* Bệnh **xơ nang**(CF): Một chứng rối loạn di truyền gây ra các vấn đề về hô hấp
và tiêu hóa do làm tắc nghẽn các cơ quan trong cơ thể với một chất nhầy đặc, dính,
có khả năng đe dọa đến tính mạng trẻ. Ngoài các biểu hiện ở hệ hô hấp như **trẻ
bị khó thở**, khò khè, ho, nhiễm trùng tái phát, viêm phổi, giãn phế quản, trẻ
còn có các biểu hiện ở đường tiêu hóa và toàn thân như tắc nghẽn ruột, đau bụng,
phân có mùi bất thường, sụt cân,...
* Hút thuốc thụ động: trẻ tăng nguy cơ gặp các vấn đề sức khỏe như: ho, thở khò
khè, nhiễm trùng đường hô hấp, hen suyễn, nhiễm trùng tai,...'
- source_sentence: 'query: Virus Ebola lây qua đường nào?'
sentences:
- Đột biến trong virus có thể phát hiện bằng cách giải mã trình tự bộ gen của virus
được phân lập từ các bệnh nhân trên khắp thế giới. Các thông tin này sẽ giúp các
nhà khoa học phát hiện các biến thể mới của virus và các đột biến gen nào đã xảy
ra, từ đó tăng thêm hiểu biết về loại virus này và xác định xem liệu đột biến
có làm thay đổi tính chất của virus hay không. Các đột biến trong tương lai có
thể tác động tiêu cực (hoặc tích cực) đến tỷ lệ mắc bệnh và các hậu quả đến sức
khỏe của con người. Do đó, việc theo dõi di truyền và đặc tính sinh học của các
đột biến mới là những nghiên cứu luôn được ưu tiên cao.
- 'Các nhà nghiên cứu đã chỉ ra rằng, dơi ăn quả thuộc họ Pteropodidae là vật chủ
tự nhiên của virus Ebola. Loại virus này xâm nhập vào cơ thể con người thông qua
tiếp xúc gần gũi với máu, dịch tiết, nội tạng hoặc các chất dịch cơ thể khác của
động vật bị nhiễm bệnh như dơi ăn quả, tinh tinh, khỉ đột, linh dương rừng, nhím
bị bệnh hoặc đã chết.
**Bệnh do vi rút Ebola** không lây truyền qua không khí và không lây lan qua tiếp
xúc thông thường, chẳng hạn như ở gần người bị nhiễm bệnh. Không giống như các
bệnh về đường hô hấp, có thể lây lan bởi các hạt tồn tại trong không khí sau khi
người nhiễm bệnh ho hoặc hắt hơi, Ebola lây lan qua tiếp xúc trực tiếp với chất
dịch cơ thể của người mắc bệnh.
Ebola lây truyền từ người sang người thông qua tiếp xúc trực tiếp (qua da trầy
xước hoặc niêm mạc ở mắt, mũi, miệng) với:
* Máu hoặc dịch cơ thể của người bị bệnh hoặc đã chết vì Ebola
* Các đối tượng đã bị nhiễm chất dịch cơ thể (như máu, phân, chất nôn) từ một
người mắc bệnh Ebola hoặc cơ thể của một người chết vì Ebola.
* Các vật thể (như quần áo, khăn trải giường, kim tiêm và thiết bị y tế) bị nhiễm
chất dịch cơ thể từ một người bị bệnh hoặc đã chết vì EVD.
* Tinh dịch từ một người đàn ông đã hồi phục từ EVD (thông qua quan hệ tình dục
bằng miệng, âm đạo hoặc hậu môn). Virus có thể tồn tại trong một số chất dịch
cơ thể (bao gồm cả tinh dịch) của một bệnh nhân đã khỏi bệnh EVD, ngay cả khi
họ không còn có triệu chứng bệnh nặng.
Những nhân viên y tế trong quá trình điều trị cho các bệnh nhân bị nghi ngờ hoặc
đã nhiễm Ebola cũng có thể bị lây nhiễm thông qua tiếp xúc gần gũi với bệnh nhân,
đặc biệt, khả năng bị lây nhiễm sẽ rất cao nếu các biện pháp phòng ngừa và kiểm
soát nhiễm trùng không được thực hiện nghiêm ngặt.
Hơn thế nữa, Ebola có thể lây truyền thông qua các nghi lễ chôn cất liên quan
trực tiếp đến cơ thể của người đã chết do dịch bệnh.
Hãy nhớ rằng, bệnh có thể truyền nhiễm bất cứ lúc nào từ người sang người miễn
là trong máu của họ có chứa **virus Ebola**. Phụ nữ mang thai bị nhiễm Ebola cấp
tính và đã được điều trị khỏi bệnh vẫn có thể mang vi-rút trong sữa mẹ, hoặc trong
các chất lỏng và mô liên quan đến thai kỳ. Điều này có nguy cơ lây truyền sang
cho con và cho những người xung quanh.'
- 'Theo một số nghiên cứu, **liệu pháp thay thế hormone** có thể làm tăng nhẹ nguy
cơ mắc bệnh tim mạch, ung thư vú và đột quỵ ở những phụ nữ [**mãn kinh**](https://www.vinmec.com/vie/bai-viet/lieu-phap-hormone-thay-hrt-thoi-ky-man-kinh-vi)
đang sử dụng kết hợp [**estrogen**](https://www.vinmec.com/vie/bai-viet/estrogen-la-gi-va-co-vai-tro-gi-vi)
và progestin (một dạng progesterone). Tuy nhiên, đối tượng phần lớn đã ngoài 60
tuổi có thể làm giảm tính thuyết phục của kết quả nghiên cứu.
Lợi ích có thể nhiều hơn rủi ro nhưng **liệu pháp thay thế hormone** vẫn có thể
làm tăng nguy cơ mắc các bệnh lý:
* [**Ung thư nội mạc tử cung**](https://www.vinmec.com/vie/bai-viet/ung-thu-noi-mac-tu-cung-trieu-chung-nguyen-nhan-va-tam-soat-benh-vi)
(dùng estrogen không có proestin)
* Các **cục máu đông**
* [**Đột quỵ**](https://www.vinmec.com/vie/bai-viet/dot-quy-nguyen-nhan-dau-hieu-nhan-biet-cach-phong-tranh-vi)
* [**Ung thư vú**](https://www.vinmec.com/vie/bai-viet/ung-thu-vu-dau-hieu-nguyen-nhan-cach-phong-tranh-va-dieu-tri-vi)'
- source_sentence: 'query: Bạn cần thảo luận về kế hoạch mang thai với bác sĩ'
sentences:
- 'Chế phẩm sinh học tương đối mới. Do đó, những ảnh hưởng lâu dài đối với trẻ sơ
sinh tiếp xúc với chế phẩm sinh học trong [**thời kỳ mang thai**](https://www.vinmec.com/vie/bai-viet/qua-trinh-thai-nhi-hinh-thanh-va-phat-trien-theo-tung-tuan-vi)
chưa được nghiên cứu. Các chuyên gia tin rằng nguy cơ này thấp và kết luận rằng,
khả năng [**dị tật thai nhi**](https://www.vinmec.com/vie/bai-viet/cac-di-tat-thai-nhi-thuong-gap-vi)
khi sử dụng sinh phẩm trong thời kỳ mang thai là gần với tỷ lệ của những người
mang thai không sử dụng sinh phẩm.
Bạn và bác sĩ sẽ cần thảo luận về rủi ro của việc sử dụng thuốc chế phẩm sinh
học trong thai kỳ so với rủi ro có thể xảy ra đối với em bé của bạn. Bạn có thể
phải tạm ngưng thuốc trong thời gian mang thai tùy thuộc vào loại chế phẩm sinh
học bạn đang sử dụng.'
- '[**Hội chứng Sjögren**](https://www.vinmec.com/vie/benh/hoi-chung-sjogren-4810)
là một bệnh tự miễn không rõ nguyên nhân, ảnh hưởng đến mô liên kết và các tuyến
gần miệng và mắt. Khô miệng là một trong các triệu chứng đặc trưng của hội chứng
này. Các [**bệnh tự miễn**](https://www.vinmec.com/vie/bai-viet/cach-tang-cuong-mien-dich-cho-nguoi-mac-benh-tu-mien-vi)
khác, chẳng hạn như [**viêm khớp dạng thấp**](https://www.vinmec.com/vie/bai-viet/viem-khop-dang-thap-nguyen-nhan-trieu-chung-chan-doan-va-dieu-tri-vi)
hoặc lupus, có thể xuất hiện cùng với bệnh Sjögren.
Hiện chưa có cách chữa khỏi bệnh hoàn toàn, việc điều trị chủ yếu là kiểm soát
các triệu chứng, giúp người bệnh cảm thấy dễ chịu hơn.'
- '[**Nang thận**](https://www.vinmec.com/vie/benh/nang-than-4914) được phân loại
thành 4 loại gồm:
* Loại 1: Thành nang mỏng, đơn giản.
* Loại 2: Thành nang vôi hóa nhẹ. Vách giữa mỏng không tăng đậm.
* Loại 3: Thành nang vôi hóa dày, không đều nhiều ngăn.
* Loại 4: Thành dày, vôi hóa nhiều, thành phần đặc bên trong có thành phần tăng
đậm.
Tình trạng **nang thận** ở hầu hết bệnh nhân đều do vô tình thực hiện các cận
lâm sàng mà phát hiện ra như [**siêu âm bụng**](https://www.vinmec.com/vie/bai-viet/sieu-am-o-bung-la-sieu-am-nhung-bo-phan-nao-vi)
cho hình ảnh nang dịch liên tục với nhu mô thận. Chụp CT cho hình ảnh chẩn đoán
chính xác rõ nhất về phân độ nguy cơ ung thư hóa của nang thận.'
- source_sentence: 'query: Những công dụng cụ thể của pectin trong thực phẩm và làm
đẹp là gì?
'
sentences:
- 'Nhiều nghiên cứu về thần kinh cho biết khi chúng ta bước vào độ tuổi từ 20 -
25, tế bào thần kinh sẽ bắt đầu thoái hóa, cụ thể có đến 3000 [**tế bào não**](https://www.vinmec.com/vie/co-the-nguoi/te-bao-than-kinh-165)
chết đi mỗi ngày. Tế bào não là tế bào không sản sinh thêm. Thêm vào đó các gốc
tự do bên trong cùng với các yếu tố ngoại cảnh khác sẽ khiến sự thoái hóa diễn
ra nghiêm trọng, ảnh hưởng rất lớn đến các hoạt động thường ngày.
### 3.1. Suy giảm trí nhớ ở người trẻ ảnh hưởng đến công việc
Người bị **suy giảm trí nhớ ở người trẻ** thường sẽ luôn trong trạng thái thiếu
tập trung, lơ đãng khi học tập hoặc khi làm việc. Khi trí nhớ bị suy giảm kéo
theo nhận thức và tư duy giải quyết vấn đề bị sa sút theo, bệnh nhân phản ứng
với mọi thứ xung quanh một cách chậm chạp, khả năng đáp ứng công việc hay bài
học không được như trước.
### 3.2. Suy giảm trí nhớ ở người trẻ ảnh hưởng đến cuộc sống
**Suy giảm trí nhớ ở người trẻ** gây nhiều bất tiện trong sinh hoạt hằng ngày
của người bệnh. Ví dụ như: bệnh nhân thường xuyên quên khóa cửa khi ra ngoài,
đi chợ quên mang ví... **Suy giảm trí nhớ ở người trẻ** dẫn đến tâm trạng và hành
vi của bệnh nhân thay đổi thất thường, dễ cáu gắt hơn và còn ảnh hưởng đến các
mối quan hệ xung quanh.
### 3.3. Suy giảm trí nhớ ở người trẻ ảnh hưởng đến sức khỏe
Nếu bệnh nhân không khắc phục chứng **suy giảm trí nhớ ở người trẻ** kịp thời
thì bệnh tình sẽ dễ chuyển sang giai đoạn sa sút trí tuệ trong 3 năm sau đó. Lúc
này não bộ sẽ dần mất đi quyền điều khiển cơ quan, khiến sức khỏe của bệnh nhân
bị ảnh hưởng nghiêm trọng, thường không phục hồi được. Cụ thể, bệnh nhân **suy
giảm trí nhớ ở người trẻ** có thể sẽ phải gặp một trong các trường hợp sau: teo
não, chết tế bào não, tổn thương chất trắng, [**tổn thương mạch máu não**](https://www.vinmec.com/vie/bai-viet/ton-thuong-nao-nguyen-nhan-trieu-chung-phuong-phap-dieu-tri-vi)**...**'
- 'Núm phụ răng (Dens evaginatus) là thuật ngữ được dùng để chỉ những bất thường
của răng có hình dạng giống như núm, múi dư trên bề mặt răng. Tình trạng này thường
xuất hiện ở mặt trong của răng hàm trên (Còn gọi là múi Talon) hoặc mặt nhai của
răng cối nhỏ hàm dưới.
Nguyên nhân của tình trạng răng có núm phụ này đến nay vẫn chưa được xác định.
Một số giả thuyết đặt ra là do di truyền hoặc do chấn thương cục bộ tác động lên
mầm răng.
Trong giai đoạn phôi thai, sự bất thường về tăng sinh và gấp lại 1 phần biểu mô
men ở bên trong và các tế bào ngoại bào phía dưới của nhú răng và diễn ra trong
suốt giai đoạn chuông của quá trình hình thành răng.'
- 'Chất **xơ** **tan trong nước** (pectin) là một phụ gia thực phẩm được sử dụng
như chất nhũ hóa, chất ổn định và chất làm đặc. Bên cạnh đó, nó còn có những công
dụng sau đây:
* Pectin được sử dụng làm chất tạo gel.
* Sử dụng làm chất làm đặc và ổn định.
* Pectin được sử dụng trong mứt để có vẻ ngoài giống như thạch.
* Dùng để chống lại [**táo bón**](https://www.vinmec.com/vie/benh/tao-bon-3001)
và [**tiêu chảy**](https://www.vinmec.com/vie/benh/tieu-chay-3002) bằng cách tăng
độ nhớt và khối lượng của phân. Đặc biệt, **chất xơ** này còn có thể giúp giảm
buồn nôn.
* Nó còn được sử dụng trong các sản phẩm mỹ phẩm như một chất ổn định.'
datasets:
- BookingCare/ViHealthQA
pipeline_tag: sentence-similarity
library_name: sentence-transformers
metrics:
- cosine_accuracy@1
- cosine_accuracy@3
- cosine_accuracy@5
- cosine_accuracy@10
- cosine_precision@1
- cosine_precision@3
- cosine_precision@5
- cosine_precision@10
- cosine_recall@1
- cosine_recall@3
- cosine_recall@5
- cosine_recall@10
- cosine_ndcg@10
- cosine_mrr@10
- cosine_map@100
model-index:
- name: Gte mulitilingual base trained on Vietnamese Health Question Answering pairs
results:
- task:
type: information-retrieval
name: Information Retrieval
dataset:
name: Unknown
type: unknown
metrics:
- type: cosine_accuracy@1
value: 0.915
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.963
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.973
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.982
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.915
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32099999999999995
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19460000000000002
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09820000000000002
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.915
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.963
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.973
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.982
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.9509565677355565
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.940743650793651
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.941347006986117
name: Cosine Map@100
- type: cosine_accuracy@1
value: 0.893
name: Cosine Accuracy@1
- type: cosine_accuracy@3
value: 0.964
name: Cosine Accuracy@3
- type: cosine_accuracy@5
value: 0.971
name: Cosine Accuracy@5
- type: cosine_accuracy@10
value: 0.985
name: Cosine Accuracy@10
- type: cosine_precision@1
value: 0.893
name: Cosine Precision@1
- type: cosine_precision@3
value: 0.32133333333333325
name: Cosine Precision@3
- type: cosine_precision@5
value: 0.19420000000000004
name: Cosine Precision@5
- type: cosine_precision@10
value: 0.09850000000000002
name: Cosine Precision@10
- type: cosine_recall@1
value: 0.893
name: Cosine Recall@1
- type: cosine_recall@3
value: 0.964
name: Cosine Recall@3
- type: cosine_recall@5
value: 0.971
name: Cosine Recall@5
- type: cosine_recall@10
value: 0.985
name: Cosine Recall@10
- type: cosine_ndcg@10
value: 0.943091404805662
name: Cosine Ndcg@10
- type: cosine_mrr@10
value: 0.9292500000000001
name: Cosine Mrr@10
- type: cosine_map@100
value: 0.9298433527500335
name: Cosine Map@100
---
# Gte mulitilingual base trained on Vietnamese Health Question Answering pairs
This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) on the [vi_health_qa](https://huggingface.co/datasets/BookingCare/ViHealthQA) dataset. 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:** [Alibaba-NLP/gte-multilingual-base](https://huggingface.co/Alibaba-NLP/gte-multilingual-base) <!-- at revision ade1467d6266ae07e6f74aae34d56bf3b8acf3f7 -->
- **Maximum Sequence Length:** 8192 tokens
- **Output Dimensionality:** 768 dimensions
- **Similarity Function:** Cosine Similarity
- **Training Dataset:**
- [vi_health_qa](https://huggingface.co/datasets/BookingCare/ViHealthQA)
- **Language:** vi
<!-- - **License:** Unknown -->
### Model Sources
- **Documentation:** [Sentence Transformers Documentation](https://sbert.net)
- **Repository:** [Sentence Transformers on GitHub](https://github.com/UKPLab/sentence-transformers)
- **Hugging Face:** [Sentence Transformers on Hugging Face](https://huggingface.co/models?library=sentence-transformers)
### Full Model Architecture
```
SentenceTransformer(
(0): Transformer({'max_seq_length': 8192, 'do_lower_case': False}) with Transformer model: NewModel
(1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': True, 'pooling_mode_mean_tokens': False, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
(2): Normalize()
)
```
## Usage
### Direct Usage (Sentence Transformers)
First install the Sentence Transformers library:
```bash
pip install -U sentence-transformers
```
Then you can load this model and run inference.
```python
from sentence_transformers import SentenceTransformer
# Download from the 🤗 Hub
model = SentenceTransformer("BookingCare/gte-multilingual-base-v2.0")
# Run inference
sentences = [
'query: Những công dụng cụ thể của pectin trong thực phẩm và làm đẹp là gì?\n',
'Chất **xơ** **tan trong nước** (pectin) là một phụ gia thực phẩm được sử dụng như chất nhũ hóa, chất ổn định và chất làm đặc. Bên cạnh đó, nó còn có những công dụng sau đây:\n\n* Pectin được sử dụng làm chất tạo gel.\n* Sử dụng làm chất làm đặc và ổn định.\n* Pectin được sử dụng trong mứt để có vẻ ngoài giống như thạch.\n* Dùng để chống lại [**táo bón**](https://www.vinmec.com/vie/benh/tao-bon-3001) và [**tiêu chảy**](https://www.vinmec.com/vie/benh/tieu-chay-3002) bằng cách tăng độ nhớt và khối lượng của phân. Đặc biệt, **chất xơ** này còn có thể giúp giảm buồn nôn.\n* Nó còn được sử dụng trong các sản phẩm mỹ phẩm như một chất ổn định.',
'Núm phụ răng (Dens evaginatus) là thuật ngữ được dùng để chỉ những bất thường của răng có hình dạng giống như núm, múi dư trên bề mặt răng. Tình trạng này thường xuất hiện ở mặt trong của răng hàm trên (Còn gọi là múi Talon) hoặc mặt nhai của răng cối nhỏ hàm dưới.\n\nNguyên nhân của tình trạng răng có núm phụ này đến nay vẫn chưa được xác định. Một số giả thuyết đặt ra là do di truyền hoặc do chấn thương cục bộ tác động lên mầm răng.\n\nTrong giai đoạn phôi thai, sự bất thường về tăng sinh và gấp lại 1 phần biểu mô men ở bên trong và các tế bào ngoại bào phía dưới của nhú răng và diễn ra trong suốt giai đoạn chuông của quá trình hình thành răng.',
]
embeddings = model.encode(sentences)
print(embeddings.shape)
# [3, 768]
# Get the similarity scores for the embeddings
similarities = model.similarity(embeddings, embeddings)
print(similarities.shape)
# [3, 3]
```
<!--
### Direct Usage (Transformers)
<details><summary>Click to see the direct usage in Transformers</summary>
</details>
-->
<!--
### Downstream Usage (Sentence Transformers)
You can finetune this model on your own dataset.
<details><summary>Click to expand</summary>
</details>
-->
<!--
### Out-of-Scope Use
*List how the model may foreseeably be misused and address what users ought not to do with the model.*
-->
## Evaluation
### Metrics
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:----------|
| cosine_accuracy@1 | 0.915 |
| cosine_accuracy@3 | 0.963 |
| cosine_accuracy@5 | 0.973 |
| cosine_accuracy@10 | 0.982 |
| cosine_precision@1 | 0.915 |
| cosine_precision@3 | 0.321 |
| cosine_precision@5 | 0.1946 |
| cosine_precision@10 | 0.0982 |
| cosine_recall@1 | 0.915 |
| cosine_recall@3 | 0.963 |
| cosine_recall@5 | 0.973 |
| cosine_recall@10 | 0.982 |
| **cosine_ndcg@10** | **0.951** |
| cosine_mrr@10 | 0.9407 |
| cosine_map@100 | 0.9413 |
#### Information Retrieval
* Evaluated with [<code>InformationRetrievalEvaluator</code>](https://sbert.net/docs/package_reference/sentence_transformer/evaluation.html#sentence_transformers.evaluation.InformationRetrievalEvaluator)
| Metric | Value |
|:--------------------|:-----------|
| cosine_accuracy@1 | 0.893 |
| cosine_accuracy@3 | 0.964 |
| cosine_accuracy@5 | 0.971 |
| cosine_accuracy@10 | 0.985 |
| cosine_precision@1 | 0.893 |
| cosine_precision@3 | 0.3213 |
| cosine_precision@5 | 0.1942 |
| cosine_precision@10 | 0.0985 |
| cosine_recall@1 | 0.893 |
| cosine_recall@3 | 0.964 |
| cosine_recall@5 | 0.971 |
| cosine_recall@10 | 0.985 |
| **cosine_ndcg@10** | **0.9431** |
| cosine_mrr@10 | 0.9293 |
| cosine_map@100 | 0.9298 |
<!--
## Bias, Risks and Limitations
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.*
-->
<!--
### Recommendations
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.*
-->
## Training Details
### Training Dataset
#### vi_health_qa
* Dataset: [vi_health_qa](https://huggingface.co/datasets/BookingCare/ViHealthQA) at [e2b7864](https://huggingface.co/datasets/BookingCare/ViHealthQA/tree/e2b78649b44d30b5975008d13e9e7a6fd1b0bc0a)
* Size: 114,654 training samples
* Columns: <code>query</code> and <code>document</code>
* Approximate statistics based on the first 1000 samples:
| | query | document |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 8 tokens</li><li>mean: 16.99 tokens</li><li>max: 59 tokens</li></ul> | <ul><li>min: 25 tokens</li><li>mean: 374.24 tokens</li><li>max: 998 tokens</li></ul> |
* Samples:
| query | document |
|:---------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Điều chỉnh lại liều lượng sử dụng collagen</code> | <code>Theo nhiều nghiên cứu khoa học, với 1000 – 2000mg collagen là liều lượng phù hợp nhất để cơ thể hấp thu, giúp phát huy tác dụng từ collagen. Đặc biệt, để tốt cho xương khớp, tóc, móng và da ở độ tuổi 30, bạn cần dùng ít nhất 3000mg collagen mỗi ngày, tuy nhiên cũng không nên dùng vượt qua 5000mg/ ngày.</code> |
| <code>query: Sử dụng một số loại thuốc trị mụn tại chỗ</code> | <code>Một số loại [**thuốc trị mụn**](https://www.vinmec.com/vie/bai-viet/co-dung-thuoc-khang-sinh-de-dieu-tri-mun-khong-vi) tại chỗ dạng gel như Differin, Retin-A, Nexon... có thể vừa giúp làm giảm lượng bã nhờn trên da vừa hỗ trợ điều trị tình trạng mụn trứng cá.</code> |
| <code>query: Hội chứng suy nút xoang là gì?</code> | <code>**Hội chứng suy nút xoang** là một dạng [rối loạn nhịp tim](https://www.vinmec.com/vie/bai-viet/roi-loan-nhip-tim-nhung-dieu-ban-can-biet-vi) đặc biệt, gây ảnh hưởng đến nút xoang, là bộ phận tạo nhịp tim tự nhiên của cơ thể. Nó có thể gây chậm nhịp tim hoặc tạo ra những khoảng thời gian ngưng tim kéo dài giữa những lần tim đập. Nguy hiểm hơn là khiến cho nhịp tim không đều, dẫn tới [suy tim](https://www.vinmec.com/vie/bai-viet/suy-tim-co-may-cap-do-phan-biet-cac-cap-do-cua-suy-tim-nhu-nao-vi).<br><br>Hội chứng này có thể phát sinh từ nhiều nguyên nhân khác nhau, bao gồm tự nhiên hoặc do các yếu tố bên ngoài như căng thẳng, thay đổi hormone, hoặc các vấn đề về hệ thống dẫn truyền tín hiệu điện trong tim. Tuy khá hiếm gặp, nhưng càng lớn tuổi càng có nguy cơ mắc phải hội chứng này. Nhiều trường hợp đã phải gắn thêm máy tạo nhịp để tim đập ổn định hơn. Hội chứng này còn được gọi là rối loạn chức năng nút xoang, hoặc bệnh nút xoang.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256
],
"matryoshka_weights": [
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Evaluation Dataset
#### vi_health_qa
* Dataset: [vi_health_qa](https://huggingface.co/datasets/BookingCare/ViHealthQA) at [e2b7864](https://huggingface.co/datasets/BookingCare/ViHealthQA/tree/e2b78649b44d30b5975008d13e9e7a6fd1b0bc0a)
* Size: 114,654 evaluation samples
* Columns: <code>query</code> and <code>document</code>
* Approximate statistics based on the first 1000 samples:
| | query | document |
|:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------|
| type | string | string |
| details | <ul><li>min: 7 tokens</li><li>mean: 16.77 tokens</li><li>max: 52 tokens</li></ul> | <ul><li>min: 2 tokens</li><li>mean: 358.34 tokens</li><li>max: 1021 tokens</li></ul> |
* Samples:
| query | document |
|:---------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| <code>query: Biến chứng của hội chứng vành cấp: SCA</code> | <code>Một số biến chứng nghiêm trọng đe dọa bệnh nhân trong những ngày sau SCA, đặc biệt là loại STEMI.<br><br>* *Sốc tim và suy thất*: đặt bóng đối xung động mạch chủ là biện pháp được lựa chọn để làm giảm công thất (T) và cải thiện tưới máu mạch vành mà không làm tăng mVO2;<br>* *Rối loạn nhịp tim*: rung nhĩ ,bloc dẫn truyền nhĩ-thất, nhịp tim nhanh hoặc rung tâm thất;<br>* [***Hở van hai lá***](https://www.vinmec.com/vie/bai-viet/benh-ho-van-hai-la-vi) *do giãn thất (T*): thiếu máu cục bộ xuyên thành hoặc đứt cơ nhú; trong trường hợp hở van hai lá nặng, đặt bóng đối xung có hiệu quả trong việc chờ sửa chữa phẫu thuật;<br>* [***Thông liên thất***](https://www.vinmec.com/vie/bai-viet/cac-loai-benh-thong-lien-thuong-gap-o-tre-vi)*:* cần đóng thông liên thất bằng phẫu thuật;<br>* *Vỡ thất (T):* thường gây chết người nhất bởi chèn ép tim cấp tính;<br>* *Chứng phình vách thất (T):* Thuốc ức chế men chuyển ức chế tái định dạng thất (T), nhưng phẫu thuật cắt bỏ chỗ phình thường là cần thiết;<br>* *Huyết khối trong buồng...</code> |
| <code>query: Ưu và nhược điểm của thuốc tránh thai chỉ có progestin</code> | <code>### 3.1. Ưu điểm của thuốc tránh thai chỉ có progestin<br><br>**Viên tránh thai chỉ có progestin** tốt hơn các loại thuốc tránh thai bình thường khác nếu sử dụng trong những trường hợp đang cho con bú vì loại thuốc này sẽ không ảnh hưởng đến quá trình sản xuất sữa (estrogen làm giảm chất lượng và số lượng sữa).<br><br>### <br><br>Loại này cũng an toàn hơn các loại thuốc tránh thai bình thường trong một số trường hợp như ở phụ nữ trên 35 tuổi, những trường hợp hút thuốc lá, tăng huyết áp, béo phì và có tiền sử các bệnh về đông máu.<br><br>Viên tránh thai thông thường làm cho một vài phụ nữ bị đau dạ dày hay đau đầu nhiều. Trong khi đó, **thuốc tránh thai chứa progestin** thường không gây ra các tác dụng phụ này.<br><br>### 3.2. Nhược điểm của thuốc tránh thai chỉ có progestin<br><br>Nhược điểm của thuốc ngừa thai chỉ có progestin là:<br><br>**Phải uống liên tục mỗi ngày**, không có ngày nghỉ, và đặc biệt phải uống đúng giờ trong ngày. Nếu quên uống một ngày, phải sử dụng phương pháp tránh thai thứ 2 cho hết chu kỳ đó (cho đến c...</code> |
| <code>query: Có cái nhìn thực tế về giảm cân sau sinh</code> | <code>Hãy nhớ rằng bạn rất khó trở lại cân nặng hoặc hình dạng chính xác như trước khi mang thai. Đối với nhiều phụ nữ, mang thai sẽ gây ra những thay đổi vĩnh viễn. Bụng của họ sẽ mềm hơn, hông rộng hơn một chút và vòng eo lớn hơn. Vì vậy, bạn nên điều chỉnh mục tiêu của mình sao cho gần với thực tế nhất, tránh gây áp lực cho bản thân.</code> |
* Loss: [<code>MatryoshkaLoss</code>](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#matryoshkaloss) with these parameters:
```json
{
"loss": "MultipleNegativesRankingLoss",
"matryoshka_dims": [
768,
512,
256
],
"matryoshka_weights": [
1,
1,
1
],
"n_dims_per_step": -1
}
```
### Training Hyperparameters
#### Non-Default Hyperparameters
- `eval_strategy`: steps
- `per_device_eval_batch_size`: 16
- `per_gpu_eval_batch_size`: 16
- `learning_rate`: 2e-05
- `num_train_epochs`: 1
- `warmup_ratio`: 0.1
- `bf16`: True
- `prompts`: {'query': 'query: ', 'answer': 'document: '}
- `batch_sampler`: no_duplicates
#### All Hyperparameters
<details><summary>Click to expand</summary>
- `overwrite_output_dir`: False
- `do_predict`: False
- `eval_strategy`: steps
- `prediction_loss_only`: True
- `per_device_train_batch_size`: 8
- `per_device_eval_batch_size`: 16
- `per_gpu_train_batch_size`: None
- `per_gpu_eval_batch_size`: 16
- `gradient_accumulation_steps`: 1
- `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`: 1
- `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`: True
- `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`: False
- `hub_always_push`: False
- `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
- `dispatch_batches`: None
- `split_batches`: 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
- `eval_use_gather_object`: False
- `average_tokens_across_devices`: False
- `prompts`: {'query': 'query: ', 'answer': 'document: '}
- `batch_sampler`: no_duplicates
- `multi_dataset_batch_sampler`: proportional
</details>
### Training Logs
| Epoch | Step | Training Loss | Validation Loss | cosine_ndcg@10 |
|:------:|:----:|:-------------:|:---------------:|:--------------:|
| 0 | 0 | - | - | 0.8799 |
| 0.0001 | 1 | 0.456 | - | - |
| 0.0142 | 100 | - | 0.5930 | 0.9080 |
| 0.0284 | 200 | - | 0.4065 | 0.9175 |
| 0.0426 | 300 | - | 0.3455 | 0.9196 |
| 0.0568 | 400 | - | 0.3140 | 0.9246 |
| 0.0710 | 500 | 0.3185 | 0.2874 | 0.9298 |
| 0.0852 | 600 | - | 0.2967 | 0.9267 |
| 0.0994 | 700 | - | 0.2708 | 0.9272 |
| 0.1136 | 800 | - | 0.2690 | 0.9276 |
| 0.1278 | 900 | - | 0.2488 | 0.9342 |
| 0.1420 | 1000 | 0.1502 | 0.2666 | 0.9325 |
| 0.1562 | 1100 | - | 0.2555 | 0.9374 |
| 0.1704 | 1200 | - | 0.2720 | 0.9323 |
| 0.1846 | 1300 | - | 0.2585 | 0.9385 |
| 0.1988 | 1400 | - | 0.2350 | 0.9412 |
| 0.2130 | 1500 | 0.1635 | 0.2381 | 0.9362 |
| 0.2272 | 1600 | - | 0.2616 | 0.9361 |
| 0.2414 | 1700 | - | 0.2489 | 0.9395 |
| 0.2556 | 1800 | - | 0.2585 | 0.9381 |
| 0.2698 | 1900 | - | 0.2604 | 0.9356 |
| 0.2841 | 2000 | 0.1204 | 0.2467 | 0.9401 |
| 0.2983 | 2100 | - | 0.2525 | 0.9397 |
| 0.3125 | 2200 | - | 0.2567 | 0.9371 |
| 0.3267 | 2300 | - | 0.2371 | 0.9428 |
| 0.3409 | 2400 | - | 0.2568 | 0.9426 |
| 0.3551 | 2500 | 0.1198 | 0.2534 | 0.9419 |
| 0.3693 | 2600 | - | 0.2604 | 0.9420 |
| 0.3835 | 2700 | - | 0.2661 | 0.9398 |
| 0.3977 | 2800 | - | 0.2573 | 0.9424 |
| 0.4119 | 2900 | - | 0.2554 | 0.9476 |
| 0.4261 | 3000 | 0.1124 | 0.2447 | 0.9452 |
| 0.4403 | 3100 | - | 0.2314 | 0.9463 |
| 0.4545 | 3200 | - | 0.2210 | 0.9487 |
| 0.4687 | 3300 | - | 0.2261 | 0.9456 |
| 0.4829 | 3400 | - | 0.2318 | 0.9436 |
| 0.4971 | 3500 | 0.1182 | 0.2255 | 0.9467 |
| 0.5113 | 3600 | - | 0.2175 | 0.9464 |
| 0.5255 | 3700 | - | 0.2158 | 0.9459 |
| 0.5397 | 3800 | - | 0.2170 | 0.9449 |
| 0.5539 | 3900 | - | 0.2162 | 0.9455 |
| 0.5681 | 4000 | 0.1052 | 0.2127 | 0.9456 |
| 0.5823 | 4100 | - | 0.2067 | 0.9474 |
| 0.5965 | 4200 | - | 0.2129 | 0.9459 |
| 0.6107 | 4300 | - | 0.2054 | 0.9476 |
| 0.6249 | 4400 | - | 0.2023 | 0.9487 |
| 0.6391 | 4500 | 0.1249 | 0.1994 | 0.9493 |
| 0.6533 | 4600 | - | 0.1946 | 0.9498 |
| 0.6675 | 4700 | - | 0.1963 | 0.9496 |
| 0.6817 | 4800 | - | 0.1919 | 0.9494 |
| 0.6959 | 4900 | - | 0.1911 | 0.9489 |
| 0.7101 | 5000 | 0.1066 | 0.1881 | 0.9518 |
| 0.7243 | 5100 | - | 0.1865 | 0.9508 |
| 0.7385 | 5200 | - | 0.1872 | 0.9517 |
| 0.7527 | 5300 | - | 0.1883 | 0.9524 |
| 0.7669 | 5400 | - | 0.1938 | 0.9505 |
| 0.7811 | 5500 | 0.1088 | 0.1982 | 0.9510 |
| 0.7953 | 5600 | - | 0.2021 | 0.9500 |
| 0.8095 | 5700 | - | 0.2035 | 0.9501 |
| 0.8237 | 5800 | - | 0.2011 | 0.9514 |
| 0.8379 | 5900 | - | 0.2030 | 0.9512 |
| 0.8522 | 6000 | 0.0964 | 0.2028 | 0.9503 |
| 0.8664 | 6100 | - | 0.2068 | 0.9509 |
| 0.8806 | 6200 | - | 0.2040 | 0.9497 |
| 0.8948 | 6300 | - | 0.2030 | 0.9503 |
| 0.9090 | 6400 | - | 0.2003 | 0.9509 |
| 0.9232 | 6500 | 0.0896 | 0.1982 | 0.9513 |
| 0.9374 | 6600 | - | 0.1971 | 0.9511 |
| 0.9516 | 6700 | - | 0.1965 | 0.9512 |
| 0.9658 | 6800 | - | 0.1974 | 0.9510 |
| 0.9800 | 6900 | - | 0.1970 | 0.9506 |
| 0.9942 | 7000 | 0.0803 | 0.1969 | 0.9510 |
| 1.0 | 7041 | - | - | 0.9431 |
### Framework Versions
- Python: 3.10.14
- Sentence Transformers: 3.3.1
- Transformers: 4.46.3
- PyTorch: 2.4.0
- Accelerate: 1.1.1
- Datasets: 3.1.0
- Tokenizers: 0.20.3
## Citation
### BibTeX
#### Sentence Transformers
```bibtex
@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",
}
```
#### MatryoshkaLoss
```bibtex
@misc{kusupati2024matryoshka,
title={Matryoshka Representation Learning},
author={Aditya Kusupati and Gantavya Bhatt and Aniket Rege and Matthew Wallingford and Aditya Sinha and Vivek Ramanujan and William Howard-Snyder and Kaifeng Chen and Sham Kakade and Prateek Jain and Ali Farhadi},
year={2024},
eprint={2205.13147},
archivePrefix={arXiv},
primaryClass={cs.LG}
}
```
#### MultipleNegativesRankingLoss
```bibtex
@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}
}
```
<!--
## Glossary
*Clearly define terms in order to be accessible across audiences.*
-->
<!--
## Model Card Authors
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.*
-->
<!--
## Model Card Contact
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.*
--> |