lmqg/mt5-small-ruquad-qg 的模型卡片

该模型是通过 lmqg 对 lmqg/qg_ruquad 上的问题生成任务进行微调的 google/mt5-small 的版本（数据集名称：default）。

概述

• 语言模型： google/mt5-small
• 语言：ru
• 训练数据： lmqg/qg_ruquad （默认）
• 在线演示： https://autoqg.net/
• 存储库： 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-small-ruquad-qg")

# model prediction
questions = model.generate_q(list_context="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.", list_answer="в мае 1860 года")

• 使用 transformers

from transformers import pipeline

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

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）：每个问题是由 lmqg/mt5-small-ruquad-ae 生成的答案生成的 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_ruquad
• 数据集名称：default
• 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
• 迭代轮数：5
• 批次大小：64
• 学习率：0.001
• fp16：False
• 随机种子：1
• 渐变积累步骤：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",
}