asahi417's picture
model update
c5ca425
|
raw
history blame
14.5 kB
metadata
license: cc-by-4.0
metrics:
  - bleu4
  - meteor
  - rouge-l
  - bertscore
  - moverscore
language: ru
datasets:
  - lmqg/qg_ruquad
pipeline_tag: text2text-generation
tags:
  - question generation
  - answer extraction
widget:
  - text: >-
      generate question: Нелишним будет отметить, что, развивая это направление,
      Д. И. Менделеев, поначалу априорно выдвинув идею о температуре, при
      которой высота мениска будет нулевой, <hl> в мае 1860 года <hl> провёл
      серию опытов.
    example_title: Question Generation Example 1
  - text: >-
      generate question: Однако, франкоязычный <hl> Квебек <hl> практически
      никогда не включается в состав Латинской Америки.
    example_title: Question Generation Example 2
  - text: >-
      generate question: Классическим примером международного синдиката XX века
      была группа компаний <hl> Де Бирс <hl> , которая в 1980-е годы
      контролировала до 90 % мировой торговли алмазами.
    example_title: Question Generation Example 3
  - text: >-
      extract answers: <hl> в английском языке в нарицательном смысле
      применяется термин rapid transit (скоростной городской транспорт), однако
      употребляется он только тогда, когда по смыслу невозможно ограничиться
      названием одной конкретной системы метрополитена. <hl> в остальных случаях
      используются индивидуальные названия: в лондоне — london underground, в
      нью-йорке — new york subway, в ливерпуле — merseyrail, в вашингтоне —
      washington metrorail, в сан-франциско — bart и т. п. в некоторых городах
      применяется название метро (англ. metro) для систем, по своему характеру
      близких к метро, или для всего городского транспорта (собственно метро и
      наземный пассажирский транспорт (в том числе автобусы и трамваи)) в
      совокупности.
    example_title: Answer Extraction Example 1
  - text: >-
      extract answers: Вопреки ожиданиям, объединение денежных систем республик
      не привело к уменьшению инфляции. Напротив, закдензнаки стали невероятно
      быстро обесцениваться, особенно в 1924 году. Для обеспечения денежного
      рынка приходилось увеличивать эмиссию закдензнаков и выпускать в оборот
      купюры невероятно больших номиналов. <hl> Так, в период с 1 января по 20
      марта 1924 года были введены в оборот купюры достоинством 25 000 000
      рублей, затем — 250 000 000 рублей. <hl> И, наконец, в апреле 1924 года
      были выпущены купюры миллиардного достоинства (в просторечии лимард).
    example_title: Answer Extraction Example 2
model-index:
  - name: lmqg/mt5-base-ruquad-qg-ae
    results:
      - task:
          name: Text2text Generation
          type: text2text-generation
        dataset:
          name: lmqg/qg_ruquad
          type: default
          args: default
        metrics:
          - name: BLEU4 (Question Generation)
            type: bleu4_question_generation
            value: 20.06
          - name: ROUGE-L (Question Generation)
            type: rouge_l_question_generation
            value: 35.35
          - name: METEOR (Question Generation)
            type: meteor_question_generation
            value: 30.18
          - name: BERTScore (Question Generation)
            type: bertscore_question_generation
            value: 87.9
          - name: MoverScore (Question Generation)
            type: moverscore_question_generation
            value: 66.6
          - name: QAAlignedF1Score-BERTScore (Question & Answer Generation)
            type: qa_aligned_f1_score_bertscore_question_answer_generation
            value: 80.21
          - name: QAAlignedRecall-BERTScore (Question & Answer Generation)
            type: qa_aligned_recall_bertscore_question_answer_generation
            value: 84.49
          - name: QAAlignedPrecision-BERTScore (Question & Answer Generation)
            type: qa_aligned_precision_bertscore_question_answer_generation
            value: 76.48
          - name: QAAlignedF1Score-MoverScore (Question & Answer Generation)
            type: qa_aligned_f1_score_moverscore_question_answer_generation
            value: 57.17
          - name: QAAlignedRecall-MoverScore (Question & Answer Generation)
            type: qa_aligned_recall_moverscore_question_answer_generation
            value: 60.55
          - name: QAAlignedPrecision-MoverScore (Question & Answer Generation)
            type: qa_aligned_precision_moverscore_question_answer_generation
            value: 54.4
          - name: BLEU4 (Answer Extraction)
            type: bleu4_answer_extraction
            value: 31.64
          - name: ROUGE-L (Answer Extraction)
            type: rouge_l_answer_extraction
            value: 49.73
          - name: METEOR (Answer Extraction)
            type: meteor_answer_extraction
            value: 38.79
          - name: BERTScore (Answer Extraction)
            type: bertscore_answer_extraction
            value: 86.22
          - name: MoverScore (Answer Extraction)
            type: moverscore_answer_extraction
            value: 74.64
          - name: AnswerF1Score (Answer Extraction)
            type: answer_f1_score__answer_extraction
            value: 64.31
          - name: AnswerExactMatch (Answer Extraction)
            type: answer_exact_match_answer_extraction
            value: 44.44

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

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

Overview

Usage

from lmqg import TransformersQG

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

# model prediction
question_answer_pairs = model.generate_qa("Нелишним будет отметить, что, развивая это направление, Д. И. Менделеев, поначалу априорно выдвинув идею о температуре, при которой высота мениска будет нулевой, в мае 1860 года провёл серию опытов.")
  • With transformers
from transformers import pipeline

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

# answer extraction
answer = pipe("generate question: Нелишним будет отметить, что, развивая это направление, Д. И. Менделеев, поначалу априорно выдвинув идею о температуре, при которой высота мениска будет нулевой, <hl> в мае 1860 года <hl> провёл серию опытов.")

# question generation
question = pipe("extract answers: <hl> в английском языке в нарицательном смысле применяется термин rapid transit (скоростной городской транспорт), однако употребляется он только тогда, когда по смыслу невозможно ограничиться названием одной конкретной системы метрополитена. <hl> в остальных случаях используются индивидуальные названия: в лондоне — london underground, в нью-йорке — new york subway, в ливерпуле — merseyrail, в вашингтоне — washington metrorail, в сан-франциско — bart и т. п. в некоторых городах применяется название метро (англ. metro) для систем, по своему характеру близких к метро, или для всего городского транспорта (собственно метро и наземный пассажирский транспорт (в том числе автобусы и трамваи)) в совокупности.")

Evaluation

Score Type Dataset
BERTScore 87.9 default lmqg/qg_ruquad
Bleu_1 36.66 default lmqg/qg_ruquad
Bleu_2 29.53 default lmqg/qg_ruquad
Bleu_3 24.23 default lmqg/qg_ruquad
Bleu_4 20.06 default lmqg/qg_ruquad
METEOR 30.18 default lmqg/qg_ruquad
MoverScore 66.6 default lmqg/qg_ruquad
ROUGE_L 35.35 default lmqg/qg_ruquad
Score Type Dataset
QAAlignedF1Score (BERTScore) 80.21 default lmqg/qg_ruquad
QAAlignedF1Score (MoverScore) 57.17 default lmqg/qg_ruquad
QAAlignedPrecision (BERTScore) 76.48 default lmqg/qg_ruquad
QAAlignedPrecision (MoverScore) 54.4 default lmqg/qg_ruquad
QAAlignedRecall (BERTScore) 84.49 default lmqg/qg_ruquad
QAAlignedRecall (MoverScore) 60.55 default lmqg/qg_ruquad
Score Type Dataset
AnswerExactMatch 44.44 default lmqg/qg_ruquad
AnswerF1Score 64.31 default lmqg/qg_ruquad
BERTScore 86.22 default lmqg/qg_ruquad
Bleu_1 45.61 default lmqg/qg_ruquad
Bleu_2 40.76 default lmqg/qg_ruquad
Bleu_3 36.22 default lmqg/qg_ruquad
Bleu_4 31.64 default lmqg/qg_ruquad
METEOR 38.79 default lmqg/qg_ruquad
MoverScore 74.64 default lmqg/qg_ruquad
ROUGE_L 49.73 default lmqg/qg_ruquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

  • dataset_path: lmqg/qg_ruquad
  • 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: 0.001
  • 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",
}