This model is fine-tuned version of google/mt5-small for question generation and answer extraction jointly on the lmqg/qg_esquad (dataset_name: default) via lmqg.
1from lmqg import TransformersQG
23# initialize model4model = TransformersQG(language="es", model="lmqg/mt5-small-esquad-qg-ae")56# model prediction7question_answer_pairs = model.generate_qa("a noviembre , que es también la estación lluviosa.")8
With transformers
python
1from transformers import pipeline
23pipe = pipeline("text2text-generation","lmqg/mt5-small-esquad-qg-ae")45# answer extraction6answer = pipe("generate question: del <hl> Ministerio de Desarrollo Urbano <hl> , Gobierno de la India.")78# question generation9question = pipe("extract answers: <hl> En la diáspora somalí, múltiples eventos islámicos de recaudación de fondos se llevan a cabo cada año en ciudades como Birmingham, Londres, Toronto y Minneapolis, donde los académicos y profesionales somalíes dan conferencias y responden preguntas de la audiencia. <hl> El propósito de estos eventos es recaudar dinero para nuevas escuelas o universidades en Somalia, para ayudar a los somalíes que han sufrido como consecuencia de inundaciones y / o sequías, o para reunir fondos para la creación de nuevas mezquitas como.")10
@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",
}
