vocabtrimmer/mbart-large-cc25-trimmed-fr-frquad-qg

license: cc-by-4.0 metrics:

• —bleu4
• —meteor
• —rouge-l
• —bertscore
• —moverscore language: fr datasets:
• —lmqg/qgfrquad pipelinetag: text2text-generation tags:
• —question generation widget:
• —text: "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: "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: "contre <hl> Normie Smith <hl> et 15 000 dollars le 28 novembre 1938." example_title: "Question Generation Example 3" model-index:
• —name: vocabtrimmer/mbart-large-cc25-trimmed-fr-frquad-qg results:
• —task: name: Text2text Generation type: text2text-generation dataset: name: lmqg/qg_frquad type: default args: default metrics:
• —name: BLEU4 (Question Generation) type: bleu4questiongeneration value: 7.76
• —name: ROUGE-L (Question Generation) type: rougelquestion_generation value: 28.41
• —name: METEOR (Question Generation) type: meteorquestiongeneration value: 18.37
• —name: BERTScore (Question Generation) type: bertscorequestiongeneration value: 79.68
• —name: MoverScore (Question Generation) type: moverscorequestiongeneration value: 56.32 ---

Model Card of vocabtrimmer/mbart-large-cc25-trimmed-fr-frquad-qg

This model is fine-tuned version of ckpts/mbart-large-cc25-trimmed-fr for question generation task on the lmqg/qg_frquad (dataset_name: default) via `lmqg`.

Overview

• —Language model: ckpts/mbart-large-cc25-trimmed-fr
• —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="vocabtrimmer/mbart-large-cc25-trimmed-fr-frquad-qg")

# model prediction
questions = model.generate_q(list_context="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.", list_answer="le Suprême Berger")

• —With transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "vocabtrimmer/mbart-large-cc25-trimmed-fr-frquad-qg")
output = pipe("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.")

Evaluation

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

Training hyperparameters

The following hyperparameters were used during fine-tuning:

• —datasetpath: lmqg/qgfrquad
• —dataset_name: default
• —inputtypes: paragraphanswer
• —output_types: question
• —prefix_types: None
• —model: ckpts/mbart-large-cc25-trimmed-fr
• —max_length: 512
• —maxlengthoutput: 32
• —epoch: 10
• —batch: 8
• —lr: 0.0001
• —fp16: False
• —random_seed: 1
• —gradientaccumulationsteps: 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",
}