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

This model is fine-tuned version of google/mt5-small for question answering task 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-qa")

# model prediction
answers = model.answer_q(list_question="чем соответствует абсолютная погрешность скорости света ?", list_context=" Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")

• With transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-small-ruquad-qa")
output = pipe("question: чем соответствует абсолютная погрешность скорости света ?, context: Наивысшая точность измерений была достигнута в начале 1970-х. В 1975 году XV Генеральная конференция по мерам и весам зафиксировала это положение и рекомендовала считать скорость света, равной 299 792 458 м/с с относительной погрешностью 4•10−9, что соответствует абсолютной погрешности 1,1 м/с. Впоследствии это значение скорости света было положено в основу определения метра в Международной системе единиц (СИ), а сама скорость света стала рассматриваться как фундаментальная физическая постоянная, по определению равная указанному значению точно.")

Evaluation

• Metric (Question Answering): raw metric file

	Score	Type	Dataset
AnswerExactMatch	51.35	default	lmqg/qg_ruquad
AnswerF1Score	73.67	default	lmqg/qg_ruquad
BERTScore	95.23	default	lmqg/qg_ruquad
Bleu_1	47.85	default	lmqg/qg_ruquad
Bleu_2	41.77	default	lmqg/qg_ruquad
Bleu_3	36.37	default	lmqg/qg_ruquad
Bleu_4	31.23	default	lmqg/qg_ruquad
METEOR	41.35	default	lmqg/qg_ruquad
MoverScore	84.21	default	lmqg/qg_ruquad
ROUGE_L	55.11	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_question']
• output_types: ['answer']
• prefix_types: None
• model: google/mt5-small
• max_length: 512
• max_length_output: 32
• epoch: 13
• batch: 16
• lr: 0.001
• fp16: False
• random_seed: 1
• gradient_accumulation_steps: 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",
}