mt5-base-dequad-ae

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

This model is fine-tuned version of google/mt5-base for answer extraction on the lmqg/qg_dequad (dataset_name: default) via lmqg.

Overview

• Language model: google/mt5-base
• Language: de
• Training data: lmqg/qg_dequad (default)
• Online Demo: https://autoqg.net/
• Repository: https://github.com/asahi417/lm-question-generation
• Paper: https://arxiv.org/abs/2210.03992

Usage

• With lmqg

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

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

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",
}