Edit model card

Model Card of lmqg/mt5-small-dequad-qg-ae

This model is fine-tuned version of google/mt5-small 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/mt5-small-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/mt5-small-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 80.39 default lmqg/qg_dequad
Bleu_1 10.13 default lmqg/qg_dequad
Bleu_2 4.24 default lmqg/qg_dequad
Bleu_3 1.89 default lmqg/qg_dequad
Bleu_4 0.82 default lmqg/qg_dequad
METEOR 12.18 default lmqg/qg_dequad
MoverScore 55.1 default lmqg/qg_dequad
ROUGE_L 10.15 default lmqg/qg_dequad
Score Type Dataset
QAAlignedF1Score (BERTScore) 80.02 default lmqg/qg_dequad
QAAlignedF1Score (MoverScore) 53.99 default lmqg/qg_dequad
QAAlignedPrecision (BERTScore) 78.91 default lmqg/qg_dequad
QAAlignedPrecision (MoverScore) 53.77 default lmqg/qg_dequad
QAAlignedRecall (BERTScore) 81.23 default lmqg/qg_dequad
QAAlignedRecall (MoverScore) 54.27 default lmqg/qg_dequad
Score Type Dataset
AnswerExactMatch 9.94 default lmqg/qg_dequad
AnswerF1Score 37.66 default lmqg/qg_dequad
BERTScore 75.15 default lmqg/qg_dequad
Bleu_1 19.77 default lmqg/qg_dequad
Bleu_2 13.28 default lmqg/qg_dequad
Bleu_3 8.84 default lmqg/qg_dequad
Bleu_4 5.83 default lmqg/qg_dequad
METEOR 22.47 default lmqg/qg_dequad
MoverScore 57.76 default lmqg/qg_dequad
ROUGE_L 18.26 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: google/mt5-small
  • max_length: 512
  • max_length_output: 32
  • epoch: 15
  • batch: 16
  • lr: 0.001
  • fp16: False
  • random_seed: 1
  • gradient_accumulation_steps: 4
  • 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
25
Inference Examples
This model does not have enough activity to be deployed to Inference API (serverless) yet. Increase its social visibility and check back later, or deploy to Inference Endpoints (dedicated) instead.

Dataset used to train lmqg/mt5-small-dequad-qg-ae

Evaluation results

  • BLEU4 (Question Generation) on lmqg/qg_dequad
    self-reported
    0.820
  • ROUGE-L (Question Generation) on lmqg/qg_dequad
    self-reported
    10.150
  • METEOR (Question Generation) on lmqg/qg_dequad
    self-reported
    12.180
  • BERTScore (Question Generation) on lmqg/qg_dequad
    self-reported
    80.390
  • MoverScore (Question Generation) on lmqg/qg_dequad
    self-reported
    55.100
  • QAAlignedF1Score-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    80.020
  • QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    81.230
  • QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    78.910
  • QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    53.990
  • QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_dequad
    self-reported
    54.270