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

This model is fine-tuned version of google/mt5-small for answer extraction on the lmqg/qg_ruquad (dataset_name: default) via lmqg.

Overview

• Language model: google/mt5-small
• 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-small-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-small-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	33	default	lmqg/qg_ruquad
AnswerF1Score	56.62	default	lmqg/qg_ruquad
BERTScore	80.96	default	lmqg/qg_ruquad
Bleu_1	28.5	default	lmqg/qg_ruquad
Bleu_2	24.12	default	lmqg/qg_ruquad
Bleu_3	20.13	default	lmqg/qg_ruquad
Bleu_4	16.37	default	lmqg/qg_ruquad
METEOR	34.93	default	lmqg/qg_ruquad
MoverScore	68.52	default	lmqg/qg_ruquad
ROUGE_L	44.12	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-small
• max_length: 512
• max_length_output: 32
• epoch: 5
• 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",
}