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 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 for question generation and answer extraction jointly on the lmqg/qg_ruquad (dataset_name: default) via lmqg.
Overview
- Language model: google/mt5-base
- 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-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
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
| Score | Type | Dataset | |
|---|---|---|---|
| BERTScore | 87.9 | default | lmqg/qg_ruquad |
| Bleu_1 | 36.66 | default | lmqg/qg_ruquad |
| Bleu_2 | 29.53 | default | lmqg/qg_ruquad |
| Bleu_3 | 24.23 | default | lmqg/qg_ruquad |
| Bleu_4 | 20.06 | default | lmqg/qg_ruquad |
| METEOR | 30.18 | default | lmqg/qg_ruquad |
| MoverScore | 66.6 | default | lmqg/qg_ruquad |
| ROUGE_L | 35.35 | default | lmqg/qg_ruquad |
- Metric (Question & Answer Generation): raw metric file
| Score | Type | Dataset | |
|---|---|---|---|
| QAAlignedF1Score (BERTScore) | 80.21 | default | lmqg/qg_ruquad |
| QAAlignedF1Score (MoverScore) | 57.17 | default | lmqg/qg_ruquad |
| QAAlignedPrecision (BERTScore) | 76.48 | default | lmqg/qg_ruquad |
| QAAlignedPrecision (MoverScore) | 54.4 | default | lmqg/qg_ruquad |
| QAAlignedRecall (BERTScore) | 84.49 | default | lmqg/qg_ruquad |
| QAAlignedRecall (MoverScore) | 60.55 | default | lmqg/qg_ruquad |
- Metric (Answer Extraction): raw metric file
| Score | Type | Dataset | |
|---|---|---|---|
| AnswerExactMatch | 44.44 | default | lmqg/qg_ruquad |
| AnswerF1Score | 64.31 | default | lmqg/qg_ruquad |
| BERTScore | 86.22 | default | lmqg/qg_ruquad |
| Bleu_1 | 45.61 | default | lmqg/qg_ruquad |
| Bleu_2 | 40.76 | default | lmqg/qg_ruquad |
| Bleu_3 | 36.22 | default | lmqg/qg_ruquad |
| Bleu_4 | 31.64 | default | lmqg/qg_ruquad |
| METEOR | 38.79 | default | lmqg/qg_ruquad |
| MoverScore | 74.64 | default | lmqg/qg_ruquad |
| ROUGE_L | 49.73 | 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-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.
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",
}