Model Card of lmqg/mbart-large-cc25-frquad-qa

This model is fine-tuned version of facebook/mbart-large-cc25 for question answering task on the lmqg/qg_frquad (dataset_name: default) via lmqg.

Overview

• Language model: facebook/mbart-large-cc25
• Language: fr
• Training data: lmqg/qg_frquad (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="fr", model="lmqg/mbart-large-cc25-frquad-qa")

# model prediction
answers = model.answer_q(list_question="En quelle année a-t-on trouvé trace d'un haut fourneau similaire?", list_context=" Cette technologie ne disparaît qu'au début du XXe siècle. On retrouve vers 1900 un haut fourneau similaire dans le Bulacan, aux Philippines. Plus tard encore, le « haut fourneau dans la cour » prôné par Mao Zedong pendant le Grand Bond en avant est de ce type. L'expérience n'est un échec technique que dans les régions où le savoir-faire n'existe pas, ou a disparu.")

• With transformers

from transformers import pipeline

pipe = pipeline("text2text-generation", "lmqg/mbart-large-cc25-frquad-qa")
output = pipe("question: En quelle année a-t-on trouvé trace d'un haut fourneau similaire?, context: Cette technologie ne disparaît qu'au début du XXe siècle. On retrouve vers 1900 un haut fourneau similaire dans le Bulacan, aux Philippines. Plus tard encore, le « haut fourneau dans la cour » prôné par Mao Zedong pendant le Grand Bond en avant est de ce type. L'expérience n'est un échec technique que dans les régions où le savoir-faire n'existe pas, ou a disparu.")

Evaluation

• Metric (Question Answering): raw metric file

	Score	Type	Dataset
AnswerExactMatch	39.34	default	lmqg/qg_frquad
AnswerF1Score	60.48	default	lmqg/qg_frquad
BERTScore	92.2	default	lmqg/qg_frquad
Bleu_1	37.27	default	lmqg/qg_frquad
Bleu_2	32.61	default	lmqg/qg_frquad
Bleu_3	29.23	default	lmqg/qg_frquad
Bleu_4	26.33	default	lmqg/qg_frquad
METEOR	31.8	default	lmqg/qg_frquad
MoverScore	77.16	default	lmqg/qg_frquad
ROUGE_L	38.14	default	lmqg/qg_frquad

Training hyperparameters

The following hyperparameters were used during fine-tuning:

• dataset_path: lmqg/qg_frquad
• dataset_name: default
• input_types: ['paragraph_question']
• output_types: ['answer']
• prefix_types: None
• model: facebook/mbart-large-cc25
• max_length: 512
• max_length_output: 32
• epoch: 15
• batch: 32
• lr: 0.0002
• fp16: False
• random_seed: 1
• gradient_accumulation_steps: 2
• 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",
}