lmqg/mt5-small-zhquad-qg-ae

license: cc-by-4.0 metrics:

• —bleu4
• —meteor
• —rouge-l
• —bertscore
• —moverscore language: zh datasets:
• —lmqg/qgzhquad pipelinetag: text2text-generation tags:
• —question generation
• —answer extraction widget:
• —text: "generate question: 南安普敦的警察服务由汉普郡警察提供。南安普敦行动的主要基地是一座新的八层专用建筑，造价3000万英镑。该建筑位于南路，2011年启用，靠近<hl> 南安普敦中央 <hl>火车站。此前，南安普顿市中心的行动位于市民中心西翼，但由于设施老化，加上计划在旧警察局和地方法院建造一座新博物馆，因此必须搬迁。在Portswood、Banister Park、Hille和Shirley还有其他警察局，在南安普顿中央火车站还有一个英国交通警察局。" example_title: "Question Generation Example 1"
• —text: "generate question: 芝加哥大学的<hl> 1960—61 <hl>集团理论年汇集了Daniel Gorenstein、John G. Thompson和Walter Feit等团体理论家，奠定了一个合作的基础，借助于其他众多数学家的输入，1982中对所有有限的简单群进行了分类。这个项目的规模超过了以往的数学研究，无论是证明的长度还是研究人员的数量。目前正在进行研究，以简化这一分类的证明。如今，群论仍然是一个非常活跃的数学分支，影响着许多其他领域" example_title: "Question Generation Example 2"
• —text: "extract answers: 南安普敦的警察服务由汉普郡警察提供。 南安普敦行动的主要基地是一座新的八层专用建筑，造价3000万英镑。 <hl> 该建筑位于南路，2011年启用，靠近 南安普敦中央 火车站。 <hl> 此前，南安普顿市中心的行动位于市民中心西翼，但由于设施老化，加上计划在旧警察局和地方法院建造一座新博物馆，因此必须搬迁。 在Portswood、Banister Park、Hille和Shirley还有其他警察局，在南安普顿中央火车站还有一个英国交通警察局。" example_title: "Answer Extraction Example 1" model-index:
• —name: lmqg/mt5-small-zhquad-qg-ae results:
• —task: name: Text2text Generation type: text2text-generation dataset: name: lmqg/qg_zhquad type: default args: default metrics:
• —name: BLEU4 (Question Generation) type: bleu4questiongeneration value: 13.98
• —name: ROUGE-L (Question Generation) type: rougelquestion_generation value: 33.17
• —name: METEOR (Question Generation) type: meteorquestiongeneration value: 22.88
• —name: BERTScore (Question Generation) type: bertscorequestiongeneration value: 76.64
• —name: MoverScore (Question Generation) type: moverscorequestiongeneration value: 57.03
• —name: QAAlignedF1Score-BERTScore (Question & Answer Generation (with Gold Answer)) type: qaalignedf1scorebertscorequestionanswergenerationwithgoldanswer value: 78.55
• —name: QAAlignedRecall-BERTScore (Question & Answer Generation (with Gold Answer)) type: qaalignedrecallbertscorequestionanswergenerationwithgold_answer value: 82.09
• —name: QAAlignedPrecision-BERTScore (Question & Answer Generation (with Gold Answer)) type: qaalignedprecisionbertscorequestionanswergenerationwithgold_answer value: 75.41
• —name: QAAlignedF1Score-MoverScore (Question & Answer Generation (with Gold Answer)) type: qaalignedf1scoremoverscorequestionanswergenerationwithgoldanswer value: 53.47
• —name: QAAlignedRecall-MoverScore (Question & Answer Generation (with Gold Answer)) type: qaalignedrecallmoverscorequestionanswergenerationwithgold_answer value: 55.73
• —name: QAAlignedPrecision-MoverScore (Question & Answer Generation (with Gold Answer)) type: qaalignedprecisionmoverscorequestionanswergenerationwithgold_answer value: 51.5
• —name: BLEU4 (Answer Extraction) type: bleu4answerextraction value: 81.9
• —name: ROUGE-L (Answer Extraction) type: rougelanswer_extraction value: 95.05
• —name: METEOR (Answer Extraction) type: meteoranswerextraction value: 69.99
• —name: BERTScore (Answer Extraction) type: bertscoreanswerextraction value: 99.69
• —name: MoverScore (Answer Extraction) type: moverscoreanswerextraction value: 98.34
• —name: AnswerF1Score (Answer Extraction) type: answerf1score_answerextraction value: 93.58
• —name: AnswerExactMatch (Answer Extraction) type: answerexactmatchanswerextraction value: 93.5 ---

Model Card of lmqg/mt5-small-zhquad-qg-ae

This model is fine-tuned version of google/mt5-small for question generation and answer extraction jointly on the lmqg/qg_zhquad (dataset_name: default) via `lmqg`.

Overview

• —Language model: google/mt5-small
• —Language: zh
• —Training data: lmqg/qg_zhquad (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="zh", model="lmqg/mt5-small-zhquad-qg-ae")

# model prediction
question_answer_pairs = model.generate_qa("南安普敦的警察服务由汉普郡警察提供。南安普敦行动的主要基地是一座新的八层专用建筑，造价3000万英镑。该建筑位于南路，2011年启用，靠近南安普敦中央火车站。此前，南安普顿市中心的行动位于市民中心西翼，但由于设施老化，加上计划在旧警察局和地方法院建造一座新博物馆，因此必须搬迁。在Portswood、Banister Park、Hille和Shirley还有其他警察局，在南安普顿中央火车站还有一个英国交通警察局。")

• —With transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-small-zhquad-qg-ae")

# answer extraction
answer = pipe("generate question: 南安普敦的警察服务由汉普郡警察提供。南安普敦行动的主要基地是一座新的八层专用建筑，造价3000万英镑。该建筑位于南路，2011年启用，靠近<hl> 南安普敦中央 <hl>火车站。此前，南安普顿市中心的行动位于市民中心西翼，但由于设施老化，加上计划在旧警察局和地方法院建造一座新博物馆，因此必须搬迁。在Portswood、Banister Park、Hille和Shirley还有其他警察局，在南安普顿中央火车站还有一个英国交通警察局。")

# question generation
question = pipe("extract answers: 南安普敦的警察服务由汉普郡警察提供。 南安普敦行动的主要基地是一座新的八层专用建筑，造价3000万英镑。 <hl> 该建筑位于南路，2011年启用，靠近 南安普敦中央 火车站。 <hl> 此前，南安普顿市中心的行动位于市民中心西翼，但由于设施老化，加上计划在旧警察局和地方法院建造一座新博物馆，因此必须搬迁。 在Portswood、Banister Park、Hille和Shirley还有其他警察局，在南安普顿中央火车站还有一个英国交通警察局。")

Evaluation

• —*Metric (Question Generation)*: raw metric file

• —*Metric (Question & Answer Generation)*: raw metric file

• —*Metric (Answer Extraction)*: raw metric file

Training hyperparameters

The following hyperparameters were used during fine-tuning:

• —datasetpath: lmqg/qgzhquad
• —dataset_name: default
• —inputtypes: ['paragraphanswer', 'paragraph_sentence']
• —output_types: ['question', 'answer']
• —prefix_types: ['qg', 'ae']
• —model: google/mt5-small
• —max_length: 512
• —maxlengthoutput: 32
• —epoch: 13
• —batch: 16
• —lr: 0.0005
• —fp16: False
• —random_seed: 1
• —gradientaccumulationsteps: 4
• —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",
}