Edit model card

Model Card of lmqg/mbart-large-cc25-dequad-qg-ae

This model is fine-tuned version of facebook/mbart-large-cc25 for question generation and answer extraction jointly on the lmqg/qg_dequad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="de", model="lmqg/mbart-large-cc25-dequad-qg-ae")

# model prediction
question_answer_pairs = model.generate_qa("das erste weltweit errichtete Hermann Brehmer 1855 im niederschlesischen ''Görbersdorf'' (heute Sokołowsko, Polen).")
  • With transformers
from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mbart-large-cc25-dequad-qg-ae")

# answer extraction
answer = pipe("generate question: Empfangs- und Sendeantenne sollen in ihrer Polarisation übereinstimmen, andernfalls <hl> wird die Signalübertragung stark gedämpft. <hl>")

# question generation
question = pipe("extract answers: Sommerzeit <hl> Frühling <hl>: Umstellung von Normalzeit auf Sommerzeit – die Uhr wird um eine Stunde ''vor''gestellt. Herbst: Umstellung von Sommerzeit auf Normalzeit – die Uhr wird um eine Stunde ''zurück''gestellt. Als Sommerzeit wird die gegenüber der Zonenzeit meist um eine Stunde vorgestellte Uhrzeit bezeichnet, die während eines bestimmten Zeitraums im Sommerhalbjahr (und oft auch etwas darüber hinaus) als gesetzliche Zeit dient. Eine solche Regelung wird fast nur in Ländern der gemäßigten Zonen angewandt. Die mitteleuropäische Sommerzeit beginnt am letzten Sonntag im März um 2:00 Uhr MEZ, indem die Stundenzählung um eine Stunde von 2:00 Uhr auf 3:00 Uhr vorgestellt wird. Sie endet jeweils am letzten Sonntag im Oktober um 3:00 Uhr MESZ, indem die Stundenzählung um eine Stunde von 3:00 Uhr auf 2:00 Uhr zurückgestellt wird.")

Evaluation

Score Type Dataset
BERTScore 80.57 default lmqg/qg_dequad
Bleu_1 11.17 default lmqg/qg_dequad
Bleu_2 4.71 default lmqg/qg_dequad
Bleu_3 1.96 default lmqg/qg_dequad
Bleu_4 0.78 default lmqg/qg_dequad
METEOR 15.43 default lmqg/qg_dequad
MoverScore 56.4 default lmqg/qg_dequad
ROUGE_L 12.36 default lmqg/qg_dequad
Score Type Dataset
QAAlignedF1Score (BERTScore) 82.49 default lmqg/qg_dequad
QAAlignedF1Score (MoverScore) 54.84 default lmqg/qg_dequad
QAAlignedPrecision (BERTScore) 81.39 default lmqg/qg_dequad
QAAlignedPrecision (MoverScore) 54.58 default lmqg/qg_dequad
QAAlignedRecall (BERTScore) 83.67 default lmqg/qg_dequad
QAAlignedRecall (MoverScore) 55.13 default lmqg/qg_dequad
Score Type Dataset
AnswerExactMatch 22.69 default lmqg/qg_dequad
AnswerF1Score 48.09 default lmqg/qg_dequad
BERTScore 78.8 default lmqg/qg_dequad
Bleu_1 21.99 default lmqg/qg_dequad
Bleu_2 14.92 default lmqg/qg_dequad
Bleu_3 10.06 default lmqg/qg_dequad
Bleu_4 6.86 default lmqg/qg_dequad
METEOR 25.56 default lmqg/qg_dequad
MoverScore 63.5 default lmqg/qg_dequad
ROUGE_L 20.84 default lmqg/qg_dequad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_dequad
  • dataset_name: default
  • input_types: ['paragraph_answer', 'paragraph_sentence']
  • output_types: ['question', 'answer']
  • prefix_types: ['qg', 'ae']
  • model: facebook/mbart-large-cc25
  • max_length: 512
  • max_length_output: 32
  • epoch: 11
  • batch: 2
  • lr: 0.0001
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 32
  • label_smoothing: 0.15

The full configuration can be found at fine-tuning config file.

Citation

@inproceedings{ushio-etal-2022-generative,
    title = "{G}enerative {L}anguage {M}odels for {P}aragraph-{L}evel {Q}uestion {G}eneration",
    author = "Ushio, Asahi  and
        Alva-Manchego, Fernando  and
        Camacho-Collados, Jose",
    booktitle = "Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing",
    month = dec,
    year = "2022",
    address = "Abu Dhabi, U.A.E.",
    publisher = "Association for Computational Linguistics",
}
Downloads last month
44

Dataset used to train research-backup/mbart-large-cc25-dequad-qg-ae

Evaluation results

  • BLEU4 (Question Generation) on lmqg/qg_dequad
    self-reported
    0.780
  • ROUGE-L (Question Generation) on lmqg/qg_dequad
    self-reported
    12.360
  • METEOR (Question Generation) on lmqg/qg_dequad
    self-reported
    15.430
  • BERTScore (Question Generation) on lmqg/qg_dequad
    self-reported
    80.570
  • MoverScore (Question Generation) on lmqg/qg_dequad
    self-reported
    56.400
  • QAAlignedF1Score-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    82.490
  • QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    83.670
  • QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    81.390
  • QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    54.840
  • QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    55.130
  • QAAlignedPrecision-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    54.580
  • BLEU4 (Answer Extraction) on lmqg/qg_dequad
    self-reported
    6.860
  • ROUGE-L (Answer Extraction) on lmqg/qg_dequad
    self-reported
    20.840
  • METEOR (Answer Extraction) on lmqg/qg_dequad
    self-reported
    25.560
  • BERTScore (Answer Extraction) on lmqg/qg_dequad
    self-reported
    78.800
  • MoverScore (Answer Extraction) on lmqg/qg_dequad
    self-reported
    63.500
  • AnswerF1Score (Answer Extraction) on lmqg/qg_dequad
    self-reported
    48.090
  • AnswerExactMatch (Answer Extraction) on lmqg/qg_dequad
    self-reported
    22.690