You can deploy this model and start earning money today!

vocabtrimmer/
mt5-small-trimmed-ja-30000-jaquad-qa

Name: mt5-small-trimmed-ja-30000-jaquad-qa
Availability: InStock

Views

No views yet

Model Card of `vocabtrimmer/mt5-small-trimmed-ja-30000-jaquad-qa`

This model is fine-tuned version of vocabtrimmer/mt5-small-trimmed-ja-30000 for question answering task on the lmqg/qg_jaquad (dataset_name: default) via lmqg.

Overview

Language model: vocabtrimmer/mt5-small-trimmed-ja-30000
Language: ja
Training data: lmqg/qg_jaquad (default)
Online Demo: https://autoqg.net/
Repository: https://github.com/asahi417/lm-question-generation
Paper: https://arxiv.org/abs/2210.03992

Usage

With lmqg

python

from lmqg import TransformersQG

# initialize model
model = TransformersQG(language="ja", model="vocabtrimmer/mt5-small-trimmed-ja-30000-jaquad-qa")

# model prediction
answers = model.answer_q(list_question="新型車両として6000系が構想されたのは、製造費用のほか、どんな費用を抑えるためだったの?", list_context=" 三多摩地区開発による沿線人口の増加、相模原線延伸による多摩ニュータウン乗り入れ、都営地下鉄10号線(現都営地下鉄新宿線、以下新宿線と表記する)乗入構想により、京王線の利用客増加が見込まれ、相当数の車両を準備する必要に迫られるなか、製造費用、保守費用を抑えた新型車両として6000系が構想された。新宿線建設に際してはすでに1号線(後の浅草線)を1,435mm軌間で開業させていた東京都は京成電鉄と1号線との乗り入れにあたり京成電鉄の路線を1,372mmから1,435mmに改軌させた事例や、1,372mm軌間の特殊性から運輸省(当時、2001年から国土交通省)と共に京王にも改軌を求めたが、改軌工事中の輸送力確保が困難なことを理由に改軌しないことで決着している。")

With transformers

python

from transformers import pipeline

pipe = pipeline("text2text-generation", "vocabtrimmer/mt5-small-trimmed-ja-30000-jaquad-qa")
output = pipe("question: 新型車両として6000系が構想されたのは、製造費用のほか、どんな費用を抑えるためだったの?, context: 三多摩地区開発による沿線人口の増加、相模原線延伸による多摩ニュータウン乗り入れ、都営地下鉄10号線(現都営地下鉄新宿線、以下新宿線と表記する)乗入構想により、京王線の利用客増加が見込まれ、相当数の車両を準備する必要に迫られるなか、製造費用、保守費用を抑えた新型車両として6000系が構想された。新宿線建設に際してはすでに1号線(後の浅草線)を1,435mm軌間で開業させていた東京都は京成電鉄と1号線との乗り入れにあたり京成電鉄の路線を1,372mmから1,435mmに改軌させた事例や、1,372mm軌間の特殊性から運輸省(当時、2001年から国土交通省)と共に京王にも改軌を求めたが、改軌工事中の輸送力確保が困難なことを理由に改軌しないことで決着している。")

Evaluation

Metric (Question Answering): raw metric file

	Score	Type	Dataset
AnswerExactMatch	60.45	default	lmqg/qg_jaquad
AnswerF1Score	60.45	default	lmqg/qg_jaquad
BERTScore	95.64	default	lmqg/qg_jaquad
Bleu_1	56.02	default	lmqg/qg_jaquad
Bleu_2	0	default	lmqg/qg_jaquad
Bleu_3	0	default	lmqg/qg_jaquad
Bleu_4	0	default	lmqg/qg_jaquad
METEOR	46.65	default	lmqg/qg_jaquad
MoverScore	86.95	default	lmqg/qg_jaquad
ROUGE_L	58.21	default	lmqg/qg_jaquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

dataset_path: lmqg/qg_jaquad
dataset_name: default
input_types: ['paragraph_question']
output_types: ['answer']
prefix_types: None
model: vocabtrimmer/mt5-small-trimmed-ja-30000
max_length: 512
max_length_output: 32
epoch: 17
batch: 32
lr: 0.001
fp16: False
random_seed: 1
gradient_accumulation_steps: 4
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",
}

vocabtrimmer/mt5-small-trimmed-ja-30000-jaquad-qa

Model Card of vocabtrimmer/mt5-small-trimmed-ja-30000-jaquad-qa