|
|
|
--- |
|
license: cc-by-4.0 |
|
metrics: |
|
- bleu4 |
|
- meteor |
|
- rouge-l |
|
- bertscore |
|
- moverscore |
|
language: de |
|
datasets: |
|
- lmqg/qg_dequad |
|
pipeline_tag: text2text-generation |
|
tags: |
|
- question generation |
|
- answer extraction |
|
widget: |
|
- text: "generate question: Empfangs- und Sendeantenne sollen in ihrer Polarisation übereinstimmen, andernfalls <hl> wird die Signalübertragung stark gedämpft. <hl>" |
|
example_title: "Question Generation Example 1" |
|
- text: "generate question: das erste weltweit errichtete Hermann Brehmer <hl> 1855 <hl> im niederschlesischen ''Görbersdorf'' (heute Sokołowsko, Polen)." |
|
example_title: "Question Generation Example 2" |
|
- text: "generate question: Er muss Zyperngrieche sein und wird direkt für <hl> fünf Jahre <hl> gewählt (Art. 43 Abs. 1 der Verfassung) und verfügt über weitreichende Exekutivkompetenzen." |
|
example_title: "Question Generation Example 3" |
|
- text: "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." |
|
example_title: "Answer Extraction Example 1" |
|
- text: "extract answers: Iran === Landwirtschaft === Die landwirtschaftliche Nutzfläche beträgt trotz zahlreicher Gebirge und Wüsten 10 % der Landesfläche, wobei ein Drittel künstlich bewässert wird. Die Landwirtschaft ist einer der größten Arbeitgeber des Landes. Wichtige Produkte sind Pistazien, Weizen, Reis, Zucker, Baumwolle, Früchte, Nüsse, Datteln, Wolle und Kaviar. Seit der Revolution von 1979 wurde der Anbau von Weintrauben wegen des islamischen Alkoholverbots auf den 200.000 Hektar Rebfläche fast vollständig auf Tafeltrauben und Rosinen umgestellt. Bei Rosinen ist <hl> der Iran <hl> inzwischen nach der Türkei der zweitgrößte Exporteur der Welt, bei Safran mit ungefähr 90 % Marktanteil des globalen Bedarfs mit Abstand der größte." |
|
example_title: "Answer Extraction Example 2" |
|
model-index: |
|
- name: lmqg/mt5-base-dequad-qg-ae |
|
results: |
|
- task: |
|
name: Text2text Generation |
|
type: text2text-generation |
|
dataset: |
|
name: lmqg/qg_dequad |
|
type: default |
|
args: default |
|
metrics: |
|
- name: BLEU4 (Question Generation) |
|
type: bleu4_question_generation |
|
value: 0.38 |
|
- name: ROUGE-L (Question Generation) |
|
type: rouge_l_question_generation |
|
value: 8.58 |
|
- name: METEOR (Question Generation) |
|
type: meteor_question_generation |
|
value: 10.56 |
|
- name: BERTScore (Question Generation) |
|
type: bertscore_question_generation |
|
value: 77.86 |
|
- name: MoverScore (Question Generation) |
|
type: moverscore_question_generation |
|
value: 53.77 |
|
- name: QAAlignedF1Score-BERTScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_f1_score_bertscore_question_answer_generation_with_gold_answer |
|
value: 6.11 |
|
- name: QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_recall_bertscore_question_answer_generation_with_gold_answer |
|
value: 5.95 |
|
- name: QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_precision_bertscore_question_answer_generation_with_gold_answer |
|
value: 6.3 |
|
- name: QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_f1_score_moverscore_question_answer_generation_with_gold_answer |
|
value: 4.24 |
|
- name: QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_recall_moverscore_question_answer_generation_with_gold_answer |
|
value: 4.15 |
|
- name: QAAlignedPrecision-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_precision_moverscore_question_answer_generation_with_gold_answer |
|
value: 4.34 |
|
- name: BLEU4 (Answer Extraction) |
|
type: bleu4_answer_extraction |
|
value: 0.85 |
|
- name: ROUGE-L (Answer Extraction) |
|
type: rouge_l_answer_extraction |
|
value: 3.93 |
|
- name: METEOR (Answer Extraction) |
|
type: meteor_answer_extraction |
|
value: 5.34 |
|
- name: BERTScore (Answer Extraction) |
|
type: bertscore_answer_extraction |
|
value: 63.01 |
|
- name: MoverScore (Answer Extraction) |
|
type: moverscore_answer_extraction |
|
value: 47.54 |
|
- name: AnswerF1Score (Answer Extraction) |
|
type: answer_f1_score__answer_extraction |
|
value: 8.63 |
|
- name: AnswerExactMatch (Answer Extraction) |
|
type: answer_exact_match_answer_extraction |
|
value: 0.32 |
|
--- |
|
|
|
# Model Card of `lmqg/mt5-base-dequad-qg-ae` |
|
This model is fine-tuned version of [google/mt5-base](https://huggingface.co/google/mt5-base) for question generation and answer extraction jointly on the [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) (dataset_name: default) via [`lmqg`](https://github.com/asahi417/lm-question-generation). |
|
|
|
|
|
### Overview |
|
- **Language model:** [google/mt5-base](https://huggingface.co/google/mt5-base) |
|
- **Language:** de |
|
- **Training data:** [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) (default) |
|
- **Online Demo:** [https://autoqg.net/](https://autoqg.net/) |
|
- **Repository:** [https://github.com/asahi417/lm-question-generation](https://github.com/asahi417/lm-question-generation) |
|
- **Paper:** [https://arxiv.org/abs/2210.03992](https://arxiv.org/abs/2210.03992) |
|
|
|
### Usage |
|
- With [`lmqg`](https://github.com/asahi417/lm-question-generation#lmqg-language-model-for-question-generation-) |
|
```python |
|
from lmqg import TransformersQG |
|
|
|
# initialize model |
|
model = TransformersQG(language="de", model="lmqg/mt5-base-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` |
|
```python |
|
from transformers import pipeline |
|
|
|
pipe = pipeline("text2text-generation", "lmqg/mt5-base-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 |
|
|
|
|
|
- ***Metric (Question Generation)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-dequad-qg-ae/raw/main/eval/metric.first.sentence.paragraph_answer.question.lmqg_qg_dequad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:-----------|--------:|:--------|:-----------------------------------------------------------------| |
|
| BERTScore | 77.86 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_1 | 8.19 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_2 | 3.17 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_3 | 1.12 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_4 | 0.38 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| METEOR | 10.56 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| MoverScore | 53.77 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| ROUGE_L | 8.58 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
|
|
|
|
- ***Metric (Question & Answer Generation)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-dequad-qg-ae/raw/main/eval/metric.first.answer.paragraph.questions_answers.lmqg_qg_dequad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:--------------------------------|--------:|:--------|:-----------------------------------------------------------------| |
|
| QAAlignedF1Score (BERTScore) | 6.11 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| QAAlignedF1Score (MoverScore) | 4.24 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| QAAlignedPrecision (BERTScore) | 6.3 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| QAAlignedPrecision (MoverScore) | 4.34 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| QAAlignedRecall (BERTScore) | 5.95 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| QAAlignedRecall (MoverScore) | 4.15 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
|
|
|
|
- ***Metric (Answer Extraction)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-dequad-qg-ae/raw/main/eval/metric.first.answer.paragraph_sentence.answer.lmqg_qg_dequad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:-----------------|--------:|:--------|:-----------------------------------------------------------------| |
|
| AnswerExactMatch | 0.32 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| AnswerF1Score | 8.63 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| BERTScore | 63.01 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_1 | 5.06 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_2 | 2.4 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_3 | 1.35 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| Bleu_4 | 0.85 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| METEOR | 5.34 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| MoverScore | 47.54 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/lmqg/qg_dequad) | |
|
| ROUGE_L | 3.93 | default | [lmqg/qg_dequad](https://huggingface.co/datasets/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: google/mt5-base |
|
- max_length: 512 |
|
- max_length_output: 32 |
|
- epoch: 8 |
|
- batch: 32 |
|
- lr: 0.0001 |
|
- fp16: False |
|
- random_seed: 1 |
|
- gradient_accumulation_steps: 2 |
|
- label_smoothing: 0.15 |
|
|
|
The full configuration can be found at [fine-tuning config file](https://huggingface.co/lmqg/mt5-base-dequad-qg-ae/raw/main/trainer_config.json). |
|
|
|
## 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", |
|
} |
|
|
|
``` |
|
|
