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

This model is fine-tuned version of google/mt5-small for question generation and answer extraction jointly 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-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.")

• With 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.")

Evaluation

• Metric (Question Generation): raw metric file

	Score	Type	Dataset
BERTScore	86.29	default	lmqg/qg_ruquad
Bleu_1	34.11	default	lmqg/qg_ruquad
Bleu_2	27.17	default	lmqg/qg_ruquad
Bleu_3	22.06	default	lmqg/qg_ruquad
Bleu_4	18.06	default	lmqg/qg_ruquad
METEOR	28.92	default	lmqg/qg_ruquad
MoverScore	65.02	default	lmqg/qg_ruquad
ROUGE_L	33.78	default	lmqg/qg_ruquad

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

	Score	Type	Dataset
QAAlignedF1Score (BERTScore)	79.74	default	lmqg/qg_ruquad
QAAlignedF1Score (MoverScore)	56.69	default	lmqg/qg_ruquad
QAAlignedPrecision (BERTScore)	76.15	default	lmqg/qg_ruquad
QAAlignedPrecision (MoverScore)	54.11	default	lmqg/qg_ruquad
QAAlignedRecall (BERTScore)	83.83	default	lmqg/qg_ruquad
QAAlignedRecall (MoverScore)	59.79	default	lmqg/qg_ruquad

• Metric (Answer Extraction): raw metric file

	Score	Type	Dataset
AnswerExactMatch	41.44	default	lmqg/qg_ruquad
AnswerF1Score	62.67	default	lmqg/qg_ruquad
BERTScore	85.69	default	lmqg/qg_ruquad
Bleu_1	44.37	default	lmqg/qg_ruquad
Bleu_2	39.42	default	lmqg/qg_ruquad
Bleu_3	34.82	default	lmqg/qg_ruquad
Bleu_4	30.21	default	lmqg/qg_ruquad
METEOR	37.87	default	lmqg/qg_ruquad
MoverScore	73.38	default	lmqg/qg_ruquad
ROUGE_L	48.66	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_answer', 'paragraph_sentence']
• output_types: ['question', 'answer']
• prefix_types: ['qg', 'ae']
• model: google/mt5-small
• max_length: 512
• max_length_output: 32
• epoch: 17
• 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",
}