--- tags: - sentence-transformers - sentence-similarity - feature-extraction - generated_from_trainer - dataset_size:10514 - loss:MultipleNegativesRankingLoss base_model: intfloat/multilingual-e5-large widget: - source_sentence: 'query: Можно ли распечатать справку об аресте счета клиента-банкрота для финансового управляющего?' sentences: - "passage: Запросить у клиента - банкрота разрешение Финансового управляющего на\ \ расход денежных средств банкротом, в котором указаны: Сумма, период и номер\ \ счета, с которого необходимо выполнить списание. Разрешение Финансового управляющего\ \ должно быть заверено его личной подписью либо удостоверено нотариусом (при наличии\ \ печатью).\n\n\n***Исключения составляют алименты и пособия на детей, для получения\ \ которых в разрешении Финансового управляющего может быть указан только счет.\ \ Сумму для выдачи Сотрудник должен определить по назначению платежа зачисления.\n\ \n\n!!!!! В случаях, когда ФУ и банкрот находятся в разных ТБ, мы рекомендуем\ \ использовать следующий порядок получения ДС банкротом, \n\nФУ приносит разрешение\ \ на получение ДС банкротом в любое ближайшее отделение банка.\nСотрудник принимает\ \ его, регистрирует и отправляет внутренней почтой в ВСП, куда придет банкрот\ \ за ДС.\nВСП, куда придет банкрот на основании полученного разрешения регистрируют\ \ заявку на разблокировку счета, \nВыдают деньги после разблокировки счета, к\ \ расходному ордеру прикладывают разрешение фу (если оно разовое) копию разрешения\ \ (если он периодическое)\nСамо разрешение ФУ, подписанное сотрудником, передают\ \ банкроту, он с ним приходит в Банк до его окончания.\n\n\n\nБанкрот предоставил\ \ Разрешение Финансового управляющего на расход денежных средств\n\nПроверить\ \ наличие ареста на счет, с которого необходимо произвести выдачу" - 'passage: Покупка металла на металлический счёт через УРМ: Покупка металла с зачислением на металлический счёт со счета или вклада:' - "passage: Не допускается распечатывать финансовому управляющему справку об аресте\ \ счета клиента банкрота на сумму 41 888 888 рублей. Арест является техническим\ \ ограничением.\n\n\n\nПолучить справки/выписки/информацию по всем открытым счетам\ \ банкрота на ДИСКЕ (большой объем)\n\nСотрудник ВСП оформляет запрос стандартным\ \ порядком через АС \"Сбердруг\"\n\nОткрывает АС \"Сбердруг\" --> Каталог -->\ \ Обслуживание клиентов -> Операционный центр --> Сопровождение операций ФЛ ->\ \ Запросы от внешней организации и клиентов Банка --> \n\nВ запросе необходимо\ \ указать следующее:\n- в поле \"Представители внешних организаций\" - выбрать\ \ Финансовый управляющий\n- в поле ТБ клиенту - выбрать ТБ\n- Номер и дату документа\ \ Финансового управляющего\n- Данные банкрота (ФИО + Дата рождения)\n\nК запросу\ \ необходимо приложить скан-образы документов:\n - Решение суда о признании гражданина\ \ банкротом и введении процедуры реализации имущества и решение суда об утверждении\ \ финансового управляющего;\n - заявление финансового управляющего на предоставление\ \ информации по клиенту-банкроту (в свободной форме и по форме Заявление о розыске/предоставлении\ \ информации), заверенное подписью сотрудника ВСП с указанием ФИО, должности и\ \ даты приема заявления ФУ.\n\n!!! После подготовки, диск с информацией будет\ \ направлен ФУ по почте России, по адресу, указанному в заявлении ФУ." - source_sentence: 'query: Что не отображается в истории трат и пополнений по карте?' sentences: - 'passage: Вид специального счета: Специальный брокерский счет Дополнительно к документам, указанным в П-25, Клиент предоставляет: 1. лицензии на право осуществления соответствующего вида профессиональной деятельности на рынке ценных бумаг.' - 'passage: Существуют следующие возможности: 02. Увидеть историю трат и пополнений по карте: Отображается список расходных операций по карте (за исключением снятия денег в банкоматах), а также все зачисления денежных средств.' - "passage: Сотрудник проверяет у клиента наличие оригинала сберкнижки или иного\ \ документа (копия книжки/дубликат книжки/договор вклада/квитанция ф. 31/банковский\ \ ордер или банковская справка, выписка/вкладчик получал компенсацию ранее по\ \ данному вкладу) (далее - Сберкнижка). \n\nНет Сберкнижки\n\nЕсли книжка не предоставлена.\ \ Сообщи клиенту, что Банк не может произвести выплату компенсации. Выплата производится\ \ при наличии Сберкнижки. Попросить клиента принести Сберкнижку.\n\nВыплата компенсации\ \ по закрытым счетам осуществляется на основании заявления, оформленного в АС\ \ ФС ФП \"Компенсация и выплата\" с указанием в заявление, получение компенсации\ \ по закрытым счетам." - source_sentence: 'query: Когда возникает окно для подтверждения операции с комплаенсом?' sentences: - 'query: Что должно соответствовать клиенту, кроме условия, что он не является филиалом или представительством?' - 'query: В каких случаях появляется модальное окно для согласования с комплаенсом?' - 'query: На какой номер нужно позвонить, чтобы снять лимит расходов на день для ребенка?' - source_sentence: 'query: Что происходит на экране после ввода суммы при проведении валютно-обменной операции, если необходимо согласование?' sentences: - 'query: Какие бумаги необходимы для объявления клиента недееспособным?' - 'query: Что отображается на экране после ввода суммы для валютного обмена, если нужно согласование?' - 'query: Какой документ необходим для удостоверения статуса иностранного гражданина в России?' - source_sentence: 'query: Когда родитель теряет доступ к картам ребенка от 14 до 17 лет?' sentences: - 'query: Кто имеет право претендовать на наследство, если наследодатель объявлен банкротом?' - 'query: Что необходимо сделать перед вводом суммы для снятия наличных с карты в СБОЛ.про?' - 'query: В каких ситуациях родитель не сможет управлять картами ребенка в возрасте 14-17 лет?' pipeline_tag: sentence-similarity library_name: sentence-transformers --- # SentenceTransformer based on intfloat/multilingual-e5-large This is a [sentence-transformers](https://www.SBERT.net) model finetuned from [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) on the q2q_data and q2p_data datasets. It maps sentences & paragraphs to a 1024-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:** [intfloat/multilingual-e5-large](https://huggingface.co/intfloat/multilingual-e5-large) - **Maximum Sequence Length:** 512 tokens - **Output Dimensionality:** 1024 dimensions - **Similarity Function:** Cosine Similarity - **Training Datasets:** - q2q_data - q2p_data ### 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': 512, 'do_lower_case': False}) with Transformer model: XLMRobertaModel (1): Pooling({'word_embedding_dimension': 1024, '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}) (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("George2002/sledopyt_embedder_v3") # Run inference sentences = [ 'query: Когда родитель теряет доступ к картам ребенка от 14 до 17 лет?', 'query: В каких ситуациях родитель не сможет управлять картами ребенка в возрасте 14-17 лет?', 'query: Кто имеет право претендовать на наследство, если наследодатель объявлен банкротом?', ] embeddings = model.encode(sentences) print(embeddings.shape) # [3, 1024] # Get the similarity scores for the embeddings similarities = model.similarity(embeddings, embeddings) print(similarities.shape) # [3, 3] ``` ## Training Details ### Training Datasets #### q2q_data * Dataset: q2q_data * Size: 8,012 training samples * Columns: query_1 and query_2 * Approximate statistics based on the first 1000 samples: | | query_1 | query_2 | |:--------|:----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query_1 | query_2 | |:---------------------------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------------------| | query: Что произойдет с процедурой банкротства, если банкрот умрет? | query: Как будет развиваться процедура банкротства после смерти должника? | | query: Как ребенку изменить лимит на расход по карте, который установил опекун? | query: Что нужно сделать, чтобы изменить лимит расходов по карте, заданный законным представителем? | | query: Какие документы подтверждают полномочия опекуна несовершеннолетнего до 14 лет? | query: Какие бумаги нужны, чтобы подтвердить полномочия опекуна несовершеннолетнего до 14-ти лет? | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### q2p_data * Dataset: q2p_data * Size: 2,502 training samples * Columns: query and chunk * Approximate statistics based on the first 1000 samples: | | query | chunk | |:--------|:----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query | chunk | |:------------------------------------------------------------------------------------------------------------|:---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | query: Что можно использовать для получения данных наследодателя, если у клиента нет паспорта? | passage: У клиента ЕСТЬ/НЕТ документа подтверждающего наследственное право (далее - ДПНП) - свидетельства о праве на наследство/завещание в банке в его пользу до 01.03.2002

Нет ДПНП

Клиента необходимо направить к нотариусу для открытия наследственного дела и розыска наследственной массы через запрос Нотариуса. Сообщите клиенту необходимость взять к нотариусу следующие документы для более качественного и быстрого розыска:
1. Паспорт наследодателя или его данные(можно взять из любого договора)
2. Все известные сберкнижки наследодателя или их номера
3. ИНН если наследодателя был ИП

Обращение в СРМ «Розничный не регистрируй!!! | | query: Что делать, если в документах клиента нет сведений о месте пребывания? | passage: Для любого представителя Клиента (ЕИО, уполномоченного сотрудника, доверенного лица) :

Нерезидент

1. Документ, удостоверяющий личность представителя юридического лица/ИП (В случае если Клиент/представитель Клиента предоставил в Банк иностранный документ, удостоверяющий личность, без нотариально удостоверенного перевода, дополнительно предоставляется Приложение 4 к Информационным сведениям клиента)
Дополнительно: id-карта является полноценным ДУЛ только для граждан Киргизии и Казахстана. Граждане других государств id-карту как самостоятельный ДУЛ использовать не могут.
2. Документ, подтверждающий право иностранного гражданина или лица без гражданства на пребывание (проживание) в Российской Федерации:
- вид на жительство;
- либо временное удостоверение личности лица без гражданства в Российской Федерации;
- либо разрешение на временное проживание;
- либо визу;
- либо миграционную карту;
- либо свидетельство о рассмотрении ходатайства о признании беженцем на территории Р... | | query: Под какие документы подпадает исполнительный документ о взыскании задолженности? | passage: Уважаемый коллега!
Вы приняли от клиента:

Исполнительный документ о взыскании задолженности/наложении ареста/отмене ареста (взыскания)

Исполнительные документы (ИД), могут быть предъявлены клиентом/его представителем в филиалы и подразделения Банка с целью исполнения Банком требований федерального закона от 02.10.2007 №229-ФЗ "Об исполнительном производстве". | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Evaluation Datasets #### q2q_data * Dataset: q2q_data * Size: 422 evaluation samples * Columns: query_1 and query_2 * Approximate statistics based on the first 422 samples: | | query_1 | query_2 | |:--------|:-----------------------------------------------------------------------------------|:-----------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query_1 | query_2 | |:-------------------------------------------------------------------------------------------------------------------|:------------------------------------------------------------------------------------------------------------| | query: Как банк реагирует на выявление клиента-банкрота при выдаче карты? | query: Как банк поступает, если выясняется, что клиент-банкрот при оформлении кредитки? | | query: query: Что является целевым путем для выплаты наследства при возникновении технической ошибки? | query: Какие действия нужно предпринять для выплаты наследства при наличии технической ошибки? | | query: Что делать, если клиент сообщает, что выпуск карты осуществляется по просьбе третьего лица? | query: Что предпринимать, если клиент жалуется, что кто-то другой просит выпустить карту? | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` #### q2p_data * Dataset: q2p_data * Size: 132 evaluation samples * Columns: query and chunk * Approximate statistics based on the first 132 samples: | | query | chunk | |:--------|:-----------------------------------------------------------------------------------|:-------------------------------------------------------------------------------------| | type | string | string | | details | | | * Samples: | query | chunk | |:------------------------------------------------------------------------------------------------------------------------------------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| | query: Как завершать процедуру банкротства в случае смерти банкрота? | passage: С каким вопросом обратился ФУ?

12. Поведение процедуры банкротства в случае смерти банкрота/ Вступления банкрота в наследство

В случае | | query: Что произойдет, если Законный представитель подключит уведомления на свой номер телефона вместо номера Ребёнка? | passage: Выберите интересующий вопрос

5. Можно ли подключить СМС-информирование по Детской СберКарте на номер телефона Законного Представителя ?

Нет, это можно сделать только на номер телефона Ребёнка.
Если Законный представитель подключил уведомления на свой номер, тогда нужно поменять его на номер телефона Ребёнка в офисе Банка или банкомате.
Иначе Ребёнок не сможет получать уведомления с кодами подтверждения и воспользоваться банкоматом, а Законный представитель столкнётся с техническими сложностями при пользовании сервисами Банка.


Если Законный представитель желает получать уведомления об операциях Ребёнка на свой номер телефона, тогда ему необходимо подключить услугу "Совместные уведомления" к Детской СберКарте. | | query: Что необходимо для того, чтобы ребёнок мог сам совершить операцию? | passage: Возможные ошибки:

Ребёнку необходимо совершить операцию самому

Ребёнку больше 14 лет | * Loss: [MultipleNegativesRankingLoss](https://sbert.net/docs/package_reference/sentence_transformer/losses.html#multiplenegativesrankingloss) with these parameters: ```json { "scale": 20.0, "similarity_fct": "cos_sim" } ``` ### Training Hyperparameters #### Non-Default Hyperparameters - `eval_strategy`: steps - `per_device_train_batch_size`: 64 - `learning_rate`: 1e-05 - `weight_decay`: 0.01 - `num_train_epochs`: 10 - `warmup_ratio`: 0.1 - `load_best_model_at_end`: True - `push_to_hub`: True - `hub_model_id`: George2002/sledopyt_embedder_v3 - `hub_strategy`: end #### All Hyperparameters
Click to expand - `overwrite_output_dir`: False - `do_predict`: False - `eval_strategy`: steps - `prediction_loss_only`: True - `per_device_train_batch_size`: 64 - `per_device_eval_batch_size`: 8 - `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`: 1e-05 - `weight_decay`: 0.01 - `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`: True - `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} - `tp_size`: 0 - `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`: True - `resume_from_checkpoint`: None - `hub_model_id`: George2002/sledopyt_embedder_v3 - `hub_strategy`: end - `hub_private_repo`: None - `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 - `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`: None - `batch_sampler`: batch_sampler - `multi_dataset_batch_sampler`: proportional
### Training Logs | Epoch | Step | Training Loss | q2q data loss | q2p data loss | |:----------:|:-------:|:-------------:|:-------------:|:-------------:| | 0.2439 | 10 | 2.0065 | - | - | | 0.4878 | 20 | 1.1826 | - | - | | 0.6098 | 25 | - | 0.0102 | 0.2422 | | 0.7317 | 30 | 0.6224 | - | - | | 0.9756 | 40 | 0.1914 | - | - | | 1.2195 | 50 | 0.1785 | 0.0003 | 0.1165 | | 1.4634 | 60 | 0.1897 | - | - | | 1.7073 | 70 | 0.1862 | - | - | | 1.8293 | 75 | - | 0.0002 | 0.0839 | | 1.9512 | 80 | 0.0917 | - | - | | 2.1951 | 90 | 0.0855 | - | - | | 2.4390 | 100 | 0.1282 | 0.0002 | 0.0868 | | 2.6829 | 110 | 0.1329 | - | - | | 2.9268 | 120 | 0.0627 | - | - | | 3.0488 | 125 | - | 0.0002 | 0.0720 | | 3.1707 | 130 | 0.0621 | - | - | | 3.4146 | 140 | 0.0882 | - | - | | **3.6585** | **150** | **0.1041** | **0.0002** | **0.069** | | 3.9024 | 160 | 0.0564 | - | - | | 4.1463 | 170 | 0.0515 | - | - | | 4.2683 | 175 | - | 0.0001 | 0.0795 | | 4.3902 | 180 | 0.0858 | - | - | | 4.6341 | 190 | 0.082 | - | - | | 4.8780 | 200 | 0.0431 | 0.0001 | 0.0725 | | 5.1220 | 210 | 0.0482 | - | - | | 5.3659 | 220 | 0.0643 | - | - | | 5.4878 | 225 | - | 0.0001 | 0.0813 | | 5.6098 | 230 | 0.0863 | - | - | | 5.8537 | 240 | 0.041 | - | - | | 6.0976 | 250 | 0.0446 | 0.0001 | 0.0724 | | 6.3415 | 260 | 0.0594 | - | - | | 6.5854 | 270 | 0.0705 | - | - | | 6.7073 | 275 | - | 0.0001 | 0.0760 | | 6.8293 | 280 | 0.0451 | - | - | | 7.0732 | 290 | 0.0447 | - | - | | 7.3171 | 300 | 0.0507 | 0.0001 | 0.0783 | | 7.5610 | 310 | 0.0571 | - | - | | 7.8049 | 320 | 0.0534 | - | - | | 7.9268 | 325 | - | 0.0001 | 0.0787 | | 8.0488 | 330 | 0.041 | - | - | | 8.2927 | 340 | 0.0458 | - | - | | 8.5366 | 350 | 0.0534 | 0.0001 | 0.0819 | | 8.7805 | 360 | 0.0594 | - | - | | 9.0244 | 370 | 0.0381 | - | - | | 9.1463 | 375 | - | 0.0001 | 0.0815 | | 9.2683 | 380 | 0.046 | - | - | | 9.5122 | 390 | 0.0507 | - | - | | 9.7561 | 400 | 0.0575 | 0.0001 | 0.0822 | | 10.0 | 410 | 0.0372 | - | - | * The bold row denotes the saved checkpoint. ### Framework Versions - Python: 3.10.12 - Sentence Transformers: 4.1.0 - Transformers: 4.51.3 - PyTorch: 2.7.0+cu126 - Accelerate: 1.6.0 - Datasets: 3.5.0 - Tokenizers: 0.21.1 ## 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", } ``` #### 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} } ```