|
|
|
--- |
|
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 (with Gold Answer)) |
|
type: qa_aligned_f1_score_bertscore_question_answer_generation_with_gold_answer |
|
value: 80.21 |
|
- name: QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_recall_bertscore_question_answer_generation_with_gold_answer |
|
value: 84.49 |
|
- name: QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_precision_bertscore_question_answer_generation_with_gold_answer |
|
value: 76.48 |
|
- name: QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_f1_score_moverscore_question_answer_generation_with_gold_answer |
|
value: 57.17 |
|
- name: QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_recall_moverscore_question_answer_generation_with_gold_answer |
|
value: 60.55 |
|
- name: QAAlignedPrecision-MoverScore (Question & Answer Generation (with Gold Answer)) |
|
type: qa_aligned_precision_moverscore_question_answer_generation_with_gold_answer |
|
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](https://huggingface.co/google/mt5-base) for question generation and answer extraction jointly on the [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) (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:** ru |
|
- **Training data:** [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) (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="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` |
|
```python |
|
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 |
|
|
|
|
|
- ***Metric (Question Generation)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-ruquad-qg-ae/raw/main/eval/metric.first.sentence.paragraph_answer.question.lmqg_qg_ruquad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:-----------|--------:|:--------|:-----------------------------------------------------------------| |
|
| BERTScore | 87.9 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_1 | 36.66 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_2 | 29.53 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_3 | 24.23 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_4 | 20.06 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| METEOR | 30.18 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| MoverScore | 66.6 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| ROUGE_L | 35.35 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
|
|
|
|
- ***Metric (Question & Answer Generation)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-ruquad-qg-ae/raw/main/eval/metric.first.answer.paragraph.questions_answers.lmqg_qg_ruquad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:--------------------------------|--------:|:--------|:-----------------------------------------------------------------| |
|
| QAAlignedF1Score (BERTScore) | 80.21 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| QAAlignedF1Score (MoverScore) | 57.17 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| QAAlignedPrecision (BERTScore) | 76.48 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| QAAlignedPrecision (MoverScore) | 54.4 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| QAAlignedRecall (BERTScore) | 84.49 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| QAAlignedRecall (MoverScore) | 60.55 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
|
|
|
|
- ***Metric (Answer Extraction)***: [raw metric file](https://huggingface.co/lmqg/mt5-base-ruquad-qg-ae/raw/main/eval/metric.first.answer.paragraph_sentence.answer.lmqg_qg_ruquad.default.json) |
|
|
|
| | Score | Type | Dataset | |
|
|:-----------------|--------:|:--------|:-----------------------------------------------------------------| |
|
| AnswerExactMatch | 44.44 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| AnswerF1Score | 64.31 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| BERTScore | 86.22 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_1 | 45.61 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_2 | 40.76 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_3 | 36.22 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| Bleu_4 | 31.64 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| METEOR | 38.79 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| MoverScore | 74.64 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/lmqg/qg_ruquad) | |
|
| ROUGE_L | 49.73 | default | [lmqg/qg_ruquad](https://huggingface.co/datasets/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](https://huggingface.co/lmqg/mt5-base-ruquad-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", |
|
} |
|
|
|
``` |
|
|
