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 answering
widget:
  - text: >-
      question: чем соответствует абсолютная погрешность скорости света ?,
      context: Наивысшая точность измерений была достигнута в начале 1970-х. В
      1975 году XV Генеральная конференция по мерам и весам зафиксировала это
      положение и рекомендовала считать скорость света, равной 299 792 458 м/с с
      относительной погрешностью 4•10−9, что соответствует абсолютной
      погрешности 1,1 м/с. Впоследствии это значение скорости света было
      положено в основу определения метра в Международной системе единиц (СИ), а
      сама скорость света стала рассматриваться как фундаментальная физическая
      постоянная, по определению равная указанному значению точно.
    example_title: Question Answering Example 1
  - text: >-
      question: Какие начинания предпринял Lloyds в начале 1970-х годов?,
      context: В начале 1970-х Lloyds начал расширять деятельность на
      международной арене, для чего был создан Lloyds Bank International.
      География его деятельности включала ФРГ, Швейцарию, Ближний Восток,
      Австралию, Канаду и США; к 1978 году Lloyds был представлен в 43 странах.
      В 1972 году было создано подразделение страхования, а в 1973 году была
      основана лизинговая компания Lloyds Leasing. В 1979 году банк начал
      предоставлять услуги ипотечного кредитования (при покупке недвижимости
      стоимостью от £25 000 до £150 000). В 1982 году начало работу агентство
      недвижимости Blackhorse Agencies, к 1989 году у него было 563 отделения. В
      1986 году сфера деятельности Lloyds Bank PLC ещё больше расширилась с
      учреждением брокерской конторы и торгового банка Lloyds Merchant Bank. В
      1988 году была поглощена страховая компания Abbey Life Group PLC; после
      объединения с ней всей своей страховой деятельности была образована
      дочерняя компания Lloyds Abbey Life. В 1995 году Lloyds Bank Plc
      объединился с TSB Group plc (группой, образованной в 1986 году из четырёх
      сберегательных банков Trustee Savings Banks) под названием Lloyds TSB Bank
      plc. В 2000 году за £7 млрд была поглощена шотландская взаимная страховая
      компания Scottish Widows.
    example_title: Question Answering Example 2
model-index:
  - name: vocabtrimmer/mt5-small-trimmed-ru-60000-ruquad-qa
    results:
      - task:
          name: Text2text Generation
          type: text2text-generation
        dataset:
          name: lmqg/qg_ruquad
          type: default
          args: default
        metrics:
          - name: BLEU4 (Question Answering)
            type: bleu4_question_answering
            value: 32.11
          - name: ROUGE-L (Question Answering)
            type: rouge_l_question_answering
            value: 56.23
          - name: METEOR (Question Answering)
            type: meteor_question_answering
            value: 41.9
          - name: BERTScore (Question Answering)
            type: bertscore_question_answering
            value: 95.5
          - name: MoverScore (Question Answering)
            type: moverscore_question_answering
            value: 84.89
          - name: AnswerF1Score (Question Answering)
            type: answer_f1_score__question_answering
            value: 75.12
          - name: AnswerExactMatch (Question Answering)
            type: answer_exact_match_question_answering
            value: 52.98

Model Card of `vocabtrimmer/mt5-small-trimmed-ru-60000-ruquad-qa`

This model is fine-tuned version of ckpts/mt5-small-trimmed-ru-60000 for question answering task on the lmqg/qg_ruquad (dataset_name: default) via lmqg.

Overview

Language model: ckpts/mt5-small-trimmed-ru-60000
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="vocabtrimmer/mt5-small-trimmed-ru-60000-ruquad-qa")

# model prediction
answers = model.answer_q(list_question="чем соответствует абсолютная погрешность скорости света ?", list_context=" Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")

With transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "vocabtrimmer/mt5-small-trimmed-ru-60000-ruquad-qa")
output = pipe("question: чем соответствует абсолютная погрешность скорости света ?, context: Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")

Evaluation

Metric (Question Answering): raw metric file

	Score	Type	Dataset
AnswerExactMatch	52.98	default	lmqg/qg_ruquad
AnswerF1Score	75.12	default	lmqg/qg_ruquad
BERTScore	95.5	default	lmqg/qg_ruquad
Bleu_1	49.05	default	lmqg/qg_ruquad
Bleu_2	42.9	default	lmqg/qg_ruquad
Bleu_3	37.41	default	lmqg/qg_ruquad
Bleu_4	32.11	default	lmqg/qg_ruquad
METEOR	41.9	default	lmqg/qg_ruquad
MoverScore	84.89	default	lmqg/qg_ruquad
ROUGE_L	56.23	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_question']
output_types: ['answer']
prefix_types: None
model: ckpts/mt5-small-trimmed-ru-60000
max_length: 512
max_length_output: 32
epoch: 18
batch: 32
lr: 0.0005
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",
}