metadata
license: cc-by-4.0
metrics:
- bleu4
- meteor
- rouge-l
- bertscore
- moverscore
language: fr
datasets:
- lmqg/qg_frquad
pipeline_tag: text2text-generation
tags:
- question generation
- answer extraction
widget:
- text: >-
generate question: Créateur » (Maker), lui aussi au singulier, « <hl> le
Suprême Berger <hl> » (The Great Shepherd) ; de l'autre, des réminiscences
de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et
souvent ta voix gronde en un tonnerre terrifiant », etc.
example_title: Question Generation Example 1
- text: >-
generate question: Ce black dog peut être lié à des évènements
traumatisants issus du monde extérieur, tels que son renvoi de l'Amirauté
après la catastrophe des Dardanelles, lors de la <hl> Grande Guerre <hl>
de 14-18, ou son rejet par l'électorat en juillet 1945.
example_title: Question Generation Example 2
- text: >-
generate question: contre <hl> Normie Smith <hl> et 15 000 dollars le 28
novembre 1938.
example_title: Question Generation Example 3
- text: >-
extract answers: Pourtant, la strophe spensérienne, utilisée cinq fois
avant que ne commence le chœur, constitue en soi un vecteur dont les
répétitions structurelles, selon Ricks, relèvent du pur lyrisme tout en
constituant une menace potentielle. Après les huit sages pentamètres
iambiques, l'alexandrin final <hl> permet une pause <hl>, « véritable
illusion d'optique » qu'accentuent les nombreuses expressions archaïsantes
telles que did swoon, did seem, did go, did receive, did make, qui
doublent le prétérit en un temps composé et paraissent à la fois « très
précautionneuses et très peu pressées ».
example_title: Answer Extraction Example 1
- text: >-
extract answers: Néanmoins, une fois encore, l'arithmétique modulaire est
insuffisante pour venir à bout du théorème. Dirichlet utilise de
nombreuses techniques analytiques, comme les séries entières et l'analyse
complexe. Le fruit de ces travaux donne naissance à une nouvelle branche
des mathématiques : la théorie analytique des nombres. L'un des points
cruciaux de cette théorie provient de l'unique article de <hl> Bernhard
Riemann <hl> en théorie des nombres : Sur le nombre de nombres premiers
inférieurs à une taille donnée. Il conjecture une localisation des racines
de sa fonction ζ. La recherche de la position des racines, initiée par
Dirichlet, devient une préoccupation centrale et reste l'une des
conjectures pressenties comme les plus difficiles des mathématiques de
notre époque.
example_title: Answer Extraction Example 2
model-index:
- name: lmqg/mt5-small-frquad-qg-ae
results:
- task:
name: Text2text Generation
type: text2text-generation
dataset:
name: lmqg/qg_frquad
type: default
args: default
metrics:
- name: BLEU4 (Question Generation)
type: bleu4_question_generation
value: 7.75
- name: ROUGE-L (Question Generation)
type: rouge_l_question_generation
value: 28.06
- name: METEOR (Question Generation)
type: meteor_question_generation
value: 17.62
- name: BERTScore (Question Generation)
type: bertscore_question_generation
value: 79.9
- name: MoverScore (Question Generation)
type: moverscore_question_generation
value: 56.44
- name: >-
QAAlignedF1Score-BERTScore (Question & Answer Generation (with
Gold Answer))
type: >-
qa_aligned_f1_score_bertscore_question_answer_generation_with_gold_answer
value: 79.7
- name: >-
QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold
Answer))
type: >-
qa_aligned_recall_bertscore_question_answer_generation_with_gold_answer
value: 82.36
- name: >-
QAAlignedPrecision-BERTScore (Question & Answer Generation (with
Gold Answer))
type: >-
qa_aligned_precision_bertscore_question_answer_generation_with_gold_answer
value: 77.29
- name: >-
QAAlignedF1Score-MoverScore (Question & Answer Generation (with
Gold Answer))
type: >-
qa_aligned_f1_score_moverscore_question_answer_generation_with_gold_answer
value: 54.22
- name: >-
QAAlignedRecall-MoverScore (Question & Answer Generation (with
Gold Answer))
type: >-
qa_aligned_recall_moverscore_question_answer_generation_with_gold_answer
value: 55.76
- name: >-
QAAlignedPrecision-MoverScore (Question & Answer Generation (with
Gold Answer))
type: >-
qa_aligned_precision_moverscore_question_answer_generation_with_gold_answer
value: 52.84
- name: BLEU4 (Answer Extraction)
type: bleu4_answer_extraction
value: 28.71
- name: ROUGE-L (Answer Extraction)
type: rouge_l_answer_extraction
value: 43.93
- name: METEOR (Answer Extraction)
type: meteor_answer_extraction
value: 37.9
- name: BERTScore (Answer Extraction)
type: bertscore_answer_extraction
value: 87.84
- name: MoverScore (Answer Extraction)
type: moverscore_answer_extraction
value: 76.45
- name: AnswerF1Score (Answer Extraction)
type: answer_f1_score__answer_extraction
value: 67.44
- name: AnswerExactMatch (Answer Extraction)
type: answer_exact_match_answer_extraction
value: 46.96
Model Card of lmqg/mt5-small-frquad-qg-ae
This model is fine-tuned version of google/mt5-small for question generation and answer extraction jointly on the lmqg/qg_frquad (dataset_name: default) via lmqg.
Overview
- Language model: google/mt5-small
- Language: fr
- Training data: lmqg/qg_frquad (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="fr", model="lmqg/mt5-small-frquad-qg-ae")
# model prediction
question_answer_pairs = model.generate_qa("Créateur » (Maker), lui aussi au singulier, « le Suprême Berger » (The Great Shepherd) ; de l'autre, des réminiscences de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et souvent ta voix gronde en un tonnerre terrifiant », etc.")
- With
transformers
from transformers import pipeline
pipe = pipeline("text2text-generation", "lmqg/mt5-small-frquad-qg-ae")
# answer extraction
answer = pipe("generate question: Créateur » (Maker), lui aussi au singulier, « <hl> le Suprême Berger <hl> » (The Great Shepherd) ; de l'autre, des réminiscences de la théologie de l'Antiquité : le tonnerre, voix de Jupiter, « Et souvent ta voix gronde en un tonnerre terrifiant », etc.")
# question generation
question = pipe("extract answers: Pourtant, la strophe spensérienne, utilisée cinq fois avant que ne commence le chœur, constitue en soi un vecteur dont les répétitions structurelles, selon Ricks, relèvent du pur lyrisme tout en constituant une menace potentielle. Après les huit sages pentamètres iambiques, l'alexandrin final <hl> permet une pause <hl>, « véritable illusion d'optique » qu'accentuent les nombreuses expressions archaïsantes telles que did swoon, did seem, did go, did receive, did make, qui doublent le prétérit en un temps composé et paraissent à la fois « très précautionneuses et très peu pressées ».")
Evaluation
- Metric (Question Generation): raw metric file
| Score | Type | Dataset | |
|---|---|---|---|
| BERTScore | 79.9 | default | lmqg/qg_frquad |
| Bleu_1 | 27.6 | default | lmqg/qg_frquad |
| Bleu_2 | 16.31 | default | lmqg/qg_frquad |
| Bleu_3 | 11 | default | lmqg/qg_frquad |
| Bleu_4 | 7.75 | default | lmqg/qg_frquad |
| METEOR | 17.62 | default | lmqg/qg_frquad |
| MoverScore | 56.44 | default | lmqg/qg_frquad |
| ROUGE_L | 28.06 | default | lmqg/qg_frquad |
- Metric (Question & Answer Generation): raw metric file
| Score | Type | Dataset | |
|---|---|---|---|
| QAAlignedF1Score (BERTScore) | 79.7 | default | lmqg/qg_frquad |
| QAAlignedF1Score (MoverScore) | 54.22 | default | lmqg/qg_frquad |
| QAAlignedPrecision (BERTScore) | 77.29 | default | lmqg/qg_frquad |
| QAAlignedPrecision (MoverScore) | 52.84 | default | lmqg/qg_frquad |
| QAAlignedRecall (BERTScore) | 82.36 | default | lmqg/qg_frquad |
| QAAlignedRecall (MoverScore) | 55.76 | default | lmqg/qg_frquad |
- Metric (Answer Extraction): raw metric file
| Score | Type | Dataset | |
|---|---|---|---|
| AnswerExactMatch | 46.96 | default | lmqg/qg_frquad |
| AnswerF1Score | 67.44 | default | lmqg/qg_frquad |
| BERTScore | 87.84 | default | lmqg/qg_frquad |
| Bleu_1 | 40.67 | default | lmqg/qg_frquad |
| Bleu_2 | 35.92 | default | lmqg/qg_frquad |
| Bleu_3 | 32.1 | default | lmqg/qg_frquad |
| Bleu_4 | 28.71 | default | lmqg/qg_frquad |
| METEOR | 37.9 | default | lmqg/qg_frquad |
| MoverScore | 76.45 | default | lmqg/qg_frquad |
| ROUGE_L | 43.93 | default | lmqg/qg_frquad |
Training hyperparameters
The following hyperparameters were used during fine-tuning:
- dataset_path: lmqg/qg_frquad
- 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: 18
- batch: 64
- lr: 0.0005
- fp16: False
- random_seed: 1
- gradient_accumulation_steps: 1
- 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",
}