README clarification and citation info

README.md

@@ -13,8 +13,7 @@ widget:
 
 ## Задача Incomplete Utterance Restoration
 
-Генеративная модель на основе [sberbank-ai/rugpt3large_based_on_gpt2](https://huggingface.co/sberbank-ai/rugpt3large_based_on_gpt2)
-для восстановления полного текста реплик в диалоге из контекста.
+Генеративная модель на основе [sberbank-ai/rugpt3large_based_on_gpt2](https://huggingface.co/sberbank-ai/rugpt3large_based_on_gpt2) для восстановления полного текста реплик в диалоге из контекста.
 
 Допустим, последние 2 строки диалога имеют вид:
 
@@ -23,17 +22,16 @@ widget:
 - Джульетта Мао
 ```
 
-Модель позволяет получить полный текст последней реплики, в раскрытом виде:
+Модель позволяет получить полный текст последней реплики, с раскрыми анафорами, эллипсисами и т.д.:
 
 ```
 Меня зовут Джульетта Мао
 ```
 
-Раскрытая реплика позволяет использовать многие классические инструменты NLP для обработки, включая регулярные выражения, классификаторы
-интентов и т.д.
-
-Подробнее о том, какие ситуации обрабатываются моделью, см. в конце страницы.
+Раскрытая реплика позволяет использовать многие классические инструменты NLP для обработки,
+включая регулярные выражения, классификаторы интентов и т.д.
 
+Подробнее о том, какие ситуации и как обрабатываются моделью, смотрите в конце страницы.
 
 ## Пример использования
 
@@ -67,6 +65,14 @@ text = text[: text.find('</s>')]
 print(text)
 ```
 
+
+## Формат входных данных
+
+На вход модели подается результат токенизации для текста, составленного из 2 или 3 последних реплик
+диалога. Каждая реплика должна начинаться префиксом "- ". Реплики разделяются символом перевода строки.
+К последней реплике, которая будет раскрываться, добавляется подстрока " #"
+
+
 ## Обрабатываемые ситуации
 
 Модель разрабатывается с прицелом на использование в [чатботе](https://github.com/Koziev/chatbot). Она поддерживает некоторые
@@ -81,7 +87,7 @@ print(text)
 - Меня – Стас, а тебя?  ⇒ Меня зовут Стас. Как тебя зовут?
 ```
 
-В редких случаях и главное слово в словосочетании может опускаться:
+В редких случаях и главное слово в словосочетании может опускаться, модель попытается его восстановить:
 
 ```
 - Мама, купи мне собаку.
@@ -96,7 +102,8 @@ print(text)
 - Не люблю я их  ⇒ я не люблю собак
 ```
 
-Иногда требуется привлечение здравого смысла:
+Иногда для раскрытия полной реплики требуется привлечение здравого смысла, модель для этого будет опираться
+на статистику претрейна:
 
 ```
 - Мне на голову упала коробка.
@@ -117,14 +124,14 @@ print(text)
 - Не я - отец.  ⇒  Я не получаю пенсию. Отец получает пенсию
 ```
 
-Типичные паттерны: например, восстановление подлежащего (см. pro drop)
+Восстановление необязательного подлежащего (см. pro drop):
 
 ```
 - Согласна?
 - Да  ⇒ я согласна
 ```
 
-Между строк:
+Модель пытается "читать между строк" и восстанавливать подразумеваемые части реплики:
 
 ```
 - Ты разве ещё не ел?
@@ -138,7 +145,7 @@ print(text)
 - Нет. (Да.) ⇒ ты не прав
 ```
 
-Интерпретация не сводится к копированию слов из контекста:
+Интерпретация не сводится к копированию слов из контекста, иногда модель должна добавить ассоциируемые с ситуацией слова:
 
 ```
 - Как прошли в��ходные?
@@ -160,14 +167,14 @@ print(text)
 - Из чего?  ⇒  из чего ты сварила суп?
 ```
 
-Замена подлежащего:
+Замена подлежащего производится, если это улучшает понимание реплики:
 
 ```
 - Как себя чувствует твой попугай?
 - Бедняга умер...   ⇒   мой попугай умер
 ```
 
-Иногда от реплики остается только наречие:
+Иногда от реплики остается только наречие, модель будет восстанавливать все остальное:
 
 ```
 - Девушка, а Вы животных любите?
@@ -217,7 +224,9 @@ print(text)
 Кортана, а тебя как?  ⇒  Меня зовут Кортана. Как тебя зовут?
 ```
 
-В качестве контекста можно подавать последние 2 или 3 реплики. Более длинные отношения весьма редки, чтобы ради них усложнять датасет. Кроме того, во многих случаях достаточно применить модель рекурсивно - подать вместо исходных реплик диалога результат их раскрытия моделью:
+В качестве контекста можно подавать последние 2 или 3 реплики. Более длинные отношения весьма редки, чтобы ради них усложнять датасет.
+Кроме того, во многих случаях достаточно применить модель рекурсивно - подать вместо исходных реплик диалога
+результат их раскрытия моделью:
 
 ```
 Где живешь?
@@ -227,10 +236,18 @@ print(text)
 Как там погода?  ⇒ как там погода в Шанхае?
 ```
 
-Последнее, что хочется отметить: модель обучена только на диалоговых данных, с короткими репликами.
-Она практически не способна раскрывать анафоры в художественных текстах, хотя это скорее не ограничение модели,
+Последнее, что хочется отметить: модель обучена **только** на диалоговых данных с короткими репликами (читчат).
+Она практически не способна раскрывать анафоры в художественных текстах, хотя это не ограничение модели,
 а особенность обучающего датасета.
 
 
+### Citation:
 
-
+```
+@MISC{rugpt_interpreter,
+    author  = {Ilya Koziev},
+    title   = {Incomplete Utterance Restoration in Russian Chit-Chat conversations},
+    url     = {https://huggingface.co/inkoziev/rugpt_interpreter},
+    year    = 2022
+}
+```