lmqg/mt5-base-ruquad-qag模型卡

该模型是对 google/mt5-base 的问题和答案生成任务在 lmqg/qag_ruquad （数据集名称：default）上进行微调的版本，通过 lmqg 进行微调。

概述

• 语言模型： google/mt5-base
• 语言：ru
• 训练数据： lmqg/qag_ruquad （default）
• 在线演示： https://autoqg.net/
• 代码库： https://github.com/asahi417/lm-question-generation
• 论文： https://arxiv.org/abs/2210.03992

用法

• 使用 lmqg

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="ru", model="lmqg/mt5-base-ruquad-qag")

# 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.")

• 使用transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-base-ruquad-qag")
output = pipe("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.")

评估

• 指标（问题和答案生成）： raw metric file

训练超参数

在微调过程中使用了以下超参数：

• 数据集路径：lmqg/qag_ruquad
• 数据集名称：default
• 输入类型：['paragraph']
• 输出类型：['questions_an..swers']
• 前缀类型：None
• 模型：google/mt5-base
• 最大长度：512
• 输出最大长度：256
• epoch：12
• batch：2
• 学习率：0.0005
• fp16：False
• 随机种子：1
• 梯度积累步数：32
• 标签平滑：0.0

完整的配置可在 fine-tuning config file 中找到。

引用

@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",
}