asahi417's picture
model update
81e163c
|
raw
history blame
12.6 kB
metadata
license: cc-by-4.0
metrics:
  - bleu4
  - meteor
  - rouge-l
  - bertscore
  - moverscore
language: fr
datasets:
  - lmqg/qg_frquad
pipeline_tag: text2text-generation
tags:
  - question generation
  - answer extraction
widget:
  - text: >-
      generate question: Créateur » (Maker), lui aussi au singulier, « <hl> le
      Suprême Berger <hl> » (The Great Shepherd) ; de l'autre, des réminiscences
      de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et
      souvent ta voix gronde en un tonnerre terrifiant », etc.
    example_title: Question Generation Example 1
  - text: >-
      generate question: Ce black dog peut être lié à des évènements
      traumatisants issus du monde extérieur, tels que son renvoi de l'Amirauté
      après la catastrophe des Dardanelles, lors de la <hl> Grande Guerre <hl>
      de 14-18, ou son rejet par l'électorat en juillet 1945.
    example_title: Question Generation Example 2
  - text: >-
      generate question: contre <hl> Normie Smith <hl> et 15 000 dollars le 28
      novembre 1938.
    example_title: Question Generation Example 3
  - text: >-
      extract answers: Pourtant, la strophe spensérienne, utilisée cinq fois
      avant que ne commence le chœur, constitue en soi un vecteur dont les
      répétitions structurelles, selon Ricks, relèvent du pur lyrisme tout en
      constituant une menace potentielle. Après les huit sages pentamètres
      iambiques, l'alexandrin final <hl> permet une pause <hl>, « véritable
      illusion d'optique » qu'accentuent les nombreuses expressions archaïsantes
      telles que did swoon, did seem, did go, did receive, did make, qui
      doublent le prétérit en un temps composé et paraissent à la fois « très
      précautionneuses et très peu pressées ».
    example_title: Answer Extraction Example 1
  - text: >-
      extract answers: Néanmoins, une fois encore, l'arithmétique modulaire est
      insuffisante pour venir à bout du théorème. Dirichlet utilise de
      nombreuses techniques analytiques, comme les séries entières et l'analyse
      complexe. Le fruit de ces travaux donne naissance à une nouvelle branche
      des mathématiques : la théorie analytique des nombres. L'un des points
      cruciaux de cette théorie provient de l'unique article de <hl> Bernhard
      Riemann <hl> en théorie des nombres : Sur le nombre de nombres premiers
      inférieurs à une taille donnée. Il conjecture une localisation des racines
      de sa fonction ζ. La recherche de la position des racines, initiée par
      Dirichlet, devient une préoccupation centrale et reste l'une des
      conjectures pressenties comme les plus difficiles des mathématiques de
      notre époque.
    example_title: Answer Extraction Example 2
model-index:
  - name: lmqg/mt5-base-frquad-qg-ae
    results:
      - task:
          name: Text2text Generation
          type: text2text-generation
        dataset:
          name: lmqg/qg_frquad
          type: default
          args: default
        metrics:
          - name: BLEU4 (Question Generation)
            type: bleu4_question_generation
            value: 7.48
          - name: ROUGE-L (Question Generation)
            type: rouge_l_question_generation
            value: 27.05
          - name: METEOR (Question Generation)
            type: meteor_question_generation
            value: 16.7
          - name: BERTScore (Question Generation)
            type: bertscore_question_generation
            value: 79.58
          - name: MoverScore (Question Generation)
            type: moverscore_question_generation
            value: 55.91
          - name: QAAlignedF1Score-BERTScore (Question & Answer Generation)
            type: qa_aligned_f1_score_bertscore_question_answer_generation
            value: 79.16
          - name: QAAlignedRecall-BERTScore (Question & Answer Generation)
            type: qa_aligned_recall_bertscore_question_answer_generation
            value: 81.87
          - name: QAAlignedPrecision-BERTScore (Question & Answer Generation)
            type: qa_aligned_precision_bertscore_question_answer_generation
            value: 76.69
          - name: QAAlignedF1Score-MoverScore (Question & Answer Generation)
            type: qa_aligned_f1_score_moverscore_question_answer_generation
            value: 53.9
          - name: QAAlignedRecall-MoverScore (Question & Answer Generation)
            type: qa_aligned_recall_moverscore_question_answer_generation
            value: 55.36
          - name: QAAlignedPrecision-MoverScore (Question & Answer Generation)
            type: qa_aligned_precision_moverscore_question_answer_generation
            value: 52.57
          - name: BLEU4 (Answer Extraction)
            type: bleu4_answer_extraction
            value: 23.84
          - name: ROUGE-L (Answer Extraction)
            type: rouge_l_answer_extraction
            value: 40.94
          - name: METEOR (Answer Extraction)
            type: meteor_answer_extraction
            value: 35.22
          - name: BERTScore (Answer Extraction)
            type: bertscore_answer_extraction
            value: 86.03
          - name: MoverScore (Answer Extraction)
            type: moverscore_answer_extraction
            value: 73.94
          - name: AnswerF1Score (Answer Extraction)
            type: answer_f1_score__answer_extraction
            value: 63.54
          - name: AnswerExactMatch (Answer Extraction)
            type: answer_exact_match_answer_extraction
            value: 43.01

Model Card of lmqg/mt5-base-frquad-qg-ae

This model is fine-tuned version of google/mt5-base for question generation and answer extraction jointly on the lmqg/qg_frquad (dataset_name: default) via lmqg.

Overview

Usage

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="fr", model="lmqg/mt5-base-frquad-qg-ae")

# model prediction
question_answer_pairs = model.generate_qa("Créateur » (Maker), lui aussi au singulier, « le Suprême Berger » (The Great Shepherd) ; de l'autre, des réminiscences de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et souvent ta voix gronde en un tonnerre terrifiant », etc.")
  • With transformers
from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-base-frquad-qg-ae")

# answer extraction
answer = pipe("generate question: Créateur » (Maker), lui aussi au singulier, « <hl> le Suprême Berger <hl> » (The Great Shepherd) ; de l'autre, des réminiscences de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et souvent ta voix gronde en un tonnerre terrifiant », etc.")

# question generation
question = pipe("extract answers: Pourtant, la strophe spensérienne, utilisée cinq fois avant que ne commence le chœur, constitue en soi un vecteur dont les répétitions structurelles, selon Ricks, relèvent du pur lyrisme tout en constituant une menace potentielle. Après les huit sages pentamètres iambiques, l'alexandrin final <hl> permet une pause <hl>, « véritable illusion d'optique » qu'accentuent les nombreuses expressions archaïsantes telles que did swoon, did seem, did go, did receive, did make, qui doublent le prétérit en un temps composé et paraissent à la fois « très précautionneuses et très peu pressées ».")

Evaluation

Score Type Dataset
BERTScore 79.58 default lmqg/qg_frquad
Bleu_1 27.1 default lmqg/qg_frquad
Bleu_2 15.73 default lmqg/qg_frquad
Bleu_3 10.54 default lmqg/qg_frquad
Bleu_4 7.48 default lmqg/qg_frquad
METEOR 16.7 default lmqg/qg_frquad
MoverScore 55.91 default lmqg/qg_frquad
ROUGE_L 27.05 default lmqg/qg_frquad
Score Type Dataset
QAAlignedF1Score (BERTScore) 79.16 default lmqg/qg_frquad
QAAlignedF1Score (MoverScore) 53.9 default lmqg/qg_frquad
QAAlignedPrecision (BERTScore) 76.69 default lmqg/qg_frquad
QAAlignedPrecision (MoverScore) 52.57 default lmqg/qg_frquad
QAAlignedRecall (BERTScore) 81.87 default lmqg/qg_frquad
QAAlignedRecall (MoverScore) 55.36 default lmqg/qg_frquad
Score Type Dataset
AnswerExactMatch 43.01 default lmqg/qg_frquad
AnswerF1Score 63.54 default lmqg/qg_frquad
BERTScore 86.03 default lmqg/qg_frquad
Bleu_1 35.54 default lmqg/qg_frquad
Bleu_2 30.87 default lmqg/qg_frquad
Bleu_3 27.14 default lmqg/qg_frquad
Bleu_4 23.84 default lmqg/qg_frquad
METEOR 35.22 default lmqg/qg_frquad
MoverScore 73.94 default lmqg/qg_frquad
ROUGE_L 40.94 default lmqg/qg_frquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_frquad
  • 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: 15
  • batch: 32
  • lr: 0.001
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 2
  • 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",
}