from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="ru", model="lmqg/mbart-large-cc25-ruquad-ae")

# model prediction
answers = model.generate_a("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

python

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mbart-large-cc25-ruquad-ae")
output = pipe("<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 (Answer Extraction): raw metric file

	Score	Type	Dataset
AnswerExactMatch	30.98	default	lmqg/qg_ruquad
AnswerF1Score	55.45	default	lmqg/qg_ruquad
BERTScore	82.39	default	lmqg/qg_ruquad
Bleu_1	37.29	default	lmqg/qg_ruquad
Bleu_2	32.54	default	lmqg/qg_ruquad
Bleu_3	28.02	default	lmqg/qg_ruquad
Bleu_4	23.63	default	lmqg/qg_ruquad
METEOR	31.51	default	lmqg/qg_ruquad
MoverScore	68.12	default	lmqg/qg_ruquad
ROUGE_L	41.71	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_sentence']
output_types: ['answer']
prefix_types: None
model: facebook/mbart-large-cc25
max_length: 512
max_length_output: 32
epoch: 14
batch: 2
lr: 0.0001
fp16: False
random_seed: 1
gradient_accumulation_steps: 32
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",
}

research-backup/mbart-large-cc25-ruquad-ae

Model Card of lmqg/mbart-large-cc25-ruquad-ae

Overview

Usage

Evaluation

Training hyperparameters

Citation

research-backup/
mbart-large-cc25-ruquad-ae

Model Card of `lmqg/mbart-large-cc25-ruquad-ae`