Model Card of lmqg/mt5-small-ruquad-qg-ae
This model is fine-tuned version of google/mt5-small for question generation and answer extraction jointly on the lmqg/qg_ruquad (dataset_name: default) via lmqg
.
Overview
- Language model: google/mt5-small
- Language: ru
- Training data: lmqg/qg_ruquad (default)
- Online Demo: https://autoqg.net/
- Repository: https://github.com/asahi417/lm-question-generation
- Paper: https://arxiv.org/abs/2210.03992
Usage
- With
lmqg
from lmqg import TransformersQG
# initialize model
model = TransformersQG(language="ru", model="lmqg/mt5-small-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-small-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
Score | Type | Dataset | |
---|---|---|---|
BERTScore | 86.29 | default | lmqg/qg_ruquad |
Bleu_1 | 34.11 | default | lmqg/qg_ruquad |
Bleu_2 | 27.17 | default | lmqg/qg_ruquad |
Bleu_3 | 22.06 | default | lmqg/qg_ruquad |
Bleu_4 | 18.06 | default | lmqg/qg_ruquad |
METEOR | 28.92 | default | lmqg/qg_ruquad |
MoverScore | 65.02 | default | lmqg/qg_ruquad |
ROUGE_L | 33.78 | default | lmqg/qg_ruquad |
- Metric (Question & Answer Generation): raw metric file
Score | Type | Dataset | |
---|---|---|---|
QAAlignedF1Score (BERTScore) | 79.74 | default | lmqg/qg_ruquad |
QAAlignedF1Score (MoverScore) | 56.69 | default | lmqg/qg_ruquad |
QAAlignedPrecision (BERTScore) | 76.15 | default | lmqg/qg_ruquad |
QAAlignedPrecision (MoverScore) | 54.11 | default | lmqg/qg_ruquad |
QAAlignedRecall (BERTScore) | 83.83 | default | lmqg/qg_ruquad |
QAAlignedRecall (MoverScore) | 59.79 | default | lmqg/qg_ruquad |
- Metric (Answer Extraction): raw metric file
Score | Type | Dataset | |
---|---|---|---|
AnswerExactMatch | 41.44 | default | lmqg/qg_ruquad |
AnswerF1Score | 62.67 | default | lmqg/qg_ruquad |
BERTScore | 85.69 | default | lmqg/qg_ruquad |
Bleu_1 | 44.37 | default | lmqg/qg_ruquad |
Bleu_2 | 39.42 | default | lmqg/qg_ruquad |
Bleu_3 | 34.82 | default | lmqg/qg_ruquad |
Bleu_4 | 30.21 | default | lmqg/qg_ruquad |
METEOR | 37.87 | default | lmqg/qg_ruquad |
MoverScore | 73.38 | default | lmqg/qg_ruquad |
ROUGE_L | 48.66 | 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-small
- max_length: 512
- max_length_output: 32
- epoch: 17
- 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
- 31
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-ruquad-qg-ae
Evaluation results
- BLEU4 (Question Generation) on lmqg/qg_ruquadself-reported18.060
- ROUGE-L (Question Generation) on lmqg/qg_ruquadself-reported33.780
- METEOR (Question Generation) on lmqg/qg_ruquadself-reported28.920
- BERTScore (Question Generation) on lmqg/qg_ruquadself-reported86.290
- MoverScore (Question Generation) on lmqg/qg_ruquadself-reported65.020
- QAAlignedF1Score-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_ruquadself-reported79.740
- QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_ruquadself-reported83.830
- QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_ruquadself-reported76.150
- QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_ruquadself-reported56.690
- QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) on lmqg/qg_ruquadself-reported59.790