lmqg/mt5-small-esquad-qg的模型卡片

此模型是在 lmqg/qg_esquad 上通过 lmqg fine-tuning的 google/mt5-small 的问题生成任务的优化版本。

概述

• 语言模型： google/mt5-small
• 语言：es
• 训练数据： lmqg/qg_esquad （默认）
• 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="es", model="lmqg/mt5-small-esquad-qg")

# model prediction
questions = model.generate_q(list_context="a noviembre , que es también la estación lluviosa.", list_answer="noviembre")

• 使用transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-small-esquad-qg")
output = pipe("del <hl> Ministerio de Desarrollo Urbano <hl> , Gobierno de la India.")

评估

• 指标（问题生成）： raw metric file

• 指标（问题和答案生成，参考答案）：每个问题都是从黄金答案生成的， raw metric file

• 指标（问题和答案生成，流水线方法）：每个问题都是在由 lmqg/mt5-small-esquad-ae 生成的答案上生成的， raw metric file

训练超参数

在微调期间使用了以下超参数：

• 数据集路径：lmqg/qg_esquad
• 数据集名称：默认
• 输入类型：['paragraph_answer']
• 输出类型：['question']
• 前缀类型：无
• 模型：google/mt5-small
• 最大长度：512
• 输出最大长度：32
• 时代：16
• 批量：64
• 学习率：0.0005
• fp16：False
• 随机种子：1
• 梯度累积步数：1
• 标签平滑：0.15

完整的配置可以在 fine-tuning config file 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",
}