from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="de", model="lmqg/mt5-base-dequad-ae")

# model prediction
answers = model.generate_a("das erste weltweit errichtete Hermann Brehmer 1855 im niederschlesischen ''Görbersdorf'' (heute Sokołowsko, Polen).")

With transformers

python

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mt5-base-dequad-ae")
output = pipe("Sommerzeit <hl> Frühling <hl>: Umstellung von Normalzeit auf Sommerzeit – die Uhr wird um eine Stunde ''vor''gestellt. Herbst: Umstellung von Sommerzeit auf Normalzeit – die Uhr wird um eine Stunde ''zurück''gestellt. Als Sommerzeit wird die gegenüber der Zonenzeit meist um eine Stunde vorgestellte Uhrzeit bezeichnet, die während eines bestimmten Zeitraums im Sommerhalbjahr (und oft auch etwas darüber hinaus) als gesetzliche Zeit dient. Eine solche Regelung wird fast nur in Ländern der gemäßigten Zonen angewandt. Die mitteleuropäische Sommerzeit beginnt am letzten Sonntag im März um 2:00 Uhr MEZ, indem die Stundenzählung um eine Stunde von 2:00 Uhr auf 3:00 Uhr vorgestellt wird. Sie endet jeweils am letzten Sonntag im Oktober um 3:00 Uhr MESZ, indem die Stundenzählung um eine Stunde von 3:00 Uhr auf 2:00 Uhr zurückgestellt wird.")

Evaluation

Metric (Answer Extraction): raw metric file

	Score	Type	Dataset
AnswerExactMatch	5.54	default	lmqg/qg_dequad
AnswerF1Score	30.15	default	lmqg/qg_dequad
BERTScore	69.15	default	lmqg/qg_dequad
Bleu_1	13.01	default	lmqg/qg_dequad
Bleu_2	8.54	default	lmqg/qg_dequad
Bleu_3	5.66	default	lmqg/qg_dequad
Bleu_4	3.71	default	lmqg/qg_dequad
METEOR	21.42	default	lmqg/qg_dequad
MoverScore	53.96	default	lmqg/qg_dequad
ROUGE_L	15.18	default	lmqg/qg_dequad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

dataset_path: lmqg/qg_dequad
dataset_name: default
input_types: ['paragraph_sentence']
output_types: ['answer']
prefix_types: None
model: google/mt5-base
max_length: 512
max_length_output: 32
epoch: 15
batch: 8
lr: 0.001
fp16: False
random_seed: 1
gradient_accumulation_steps: 8
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",
}

lmqg/mt5-base-dequad-ae

Model Card of lmqg/mt5-base-dequad-ae

Overview

Usage

Evaluation

Training hyperparameters

Citation

lmqg/
mt5-base-dequad-ae

Model Card of `lmqg/mt5-base-dequad-ae`