README.md

metadata

license: cc-by-4.0
metrics:
  - bleu4
  - meteor
  - rouge-l
  - bertscore
  - moverscore
language: ru
datasets:
  - lmqg/qg_ruquad
pipeline_tag: text2text-generation
tags:
  - answer extraction
widget:
  - text: >-
      <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: Answering Extraction Example 1
  - text: >-
      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: Answering Extraction Example 2
model-index:
  - name: lmqg/mt5-base-ruquad-ae
    results:
      - task:
          name: Text2text Generation
          type: text2text-generation
        dataset:
          name: lmqg/qg_ruquad
          type: default
          args: default
        metrics:
          - name: BLEU4 (Answer Extraction)
            type: bleu4_answer_extraction
            value: 14.19
          - name: ROUGE-L (Answer Extraction)
            type: rouge_l_answer_extraction
            value: 41.79
          - name: METEOR (Answer Extraction)
            type: meteor_answer_extraction
            value: 32.52
          - name: BERTScore (Answer Extraction)
            type: bertscore_answer_extraction
            value: 79.99
          - name: MoverScore (Answer Extraction)
            type: moverscore_answer_extraction
            value: 66.44
          - name: AnswerF1Score (Answer Extraction)
            type: answer_f1_score__answer_extraction
            value: 54.69
          - name: AnswerExactMatch (Answer Extraction)
            type: answer_exact_match_answer_extraction
            value: 28.59

Model Card of lmqg/mt5-base-ruquad-ae

This model is fine-tuned version of google/mt5-base for answer extraction 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-ae")

# model prediction
answers = model.generate_a("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-ae")
output = pipe("<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 (Answer Extraction): raw metric file

	Score	Type	Dataset
AnswerExactMatch	28.59	default	lmqg/qg_ruquad
AnswerF1Score	54.69	default	lmqg/qg_ruquad
BERTScore	79.99	default	lmqg/qg_ruquad
Bleu_1	25.63	default	lmqg/qg_ruquad
Bleu_2	21.45	default	lmqg/qg_ruquad
Bleu_3	17.68	default	lmqg/qg_ruquad
Bleu_4	14.19	default	lmqg/qg_ruquad
METEOR	32.52	default	lmqg/qg_ruquad
MoverScore	66.44	default	lmqg/qg_ruquad
ROUGE_L	41.79	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_sentence']
• output_types: ['answer']
• prefix_types: None
• model: google/mt5-base
• max_length: 512
• max_length_output: 32
• epoch: 5
• batch: 8
• lr: 0.001
• fp16: False
• random_seed: 1
• gradient_accumulation_steps: 8
• 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",
}