lmqg/mt5-small-ruquad-qg-ae模型说明卡

该模型是 google/mt5-small 的微调版本，通过 lmqg 在 lmqg/qg_ruquad （数据集名称：default）上同时进行问题生成和答案抽取。

概述

• 语言模型： google/mt5-small
• 语言：ru
• 训练数据： lmqg/qg_ruquad （默认）
• 在线演示： https://autoqg.net/
• 代码库： https://github.com/asahi417/lm-question-generation
• 论文： https://arxiv.org/abs/2210.03992

用法

• 使用 lmqg

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="ru", model="lmqg/mt5-small-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.")

• 使用transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-small-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.")

评估

• 指标（问题生成）: raw metric file

• 指标（问题和答案生成）: raw metric file

• 指标（答案抽取）: raw metric file

训练超参数

在微调过程中使用了以下超参数：

• 数据集路径: lmqg/qg_ruquad
• 数据集名称: default
• 输入类型: ['paragraph_answer', 'paragraph_sentence']
• 输出类型: ['question', 'answer']
• 前缀类型: ['qg', 'ae']
• 模型: google/mt5-small
• 最大长度: 512
• 输出最大长度: 32
• 训练轮数: 17
• 批次大小: 16
• 学习率: 0.001
• 混合精度训练: False
• 随机种子: 1
• 梯度累积步数: 4
• 标签平滑: 0.15

完整配置请参阅 fine-tuning config file 。

引用

@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",
}