T5 Qg Webnlg Synth En

🚀 t5-qg_webnlg_synth-en

這是一個基於T5-small的“數據問題生成”模型，可根據結構化表格輸入和給定答案生成問題。它也是QuestEval指標的一個組件，但也能獨立用於問題生成任務。

🚀 快速開始

本模型是一個基於T5-small的“數據問題生成”模型，它以結構化表格和條件答案作為輸入來生成問題。實際上，它是 QuestEval 指標的一個組件，但也可以獨立用於問題生成任務。

✨ 主要特性

• 基於T5-small架構，能夠根據結構化表格和條件答案生成問題。
• 可作為QuestEval指標的一部分，也能獨立使用。

📦 安裝指南

from transformers import T5Tokenizer, T5ForConditionalGeneration

tokenizer = T5Tokenizer.from_pretrained("ThomasNLG/t5-qg_webnlg_synth-en")

model = T5ForConditionalGeneration.from_pretrained("ThomasNLG/t5-qg_webnlg_synth-en")

💻 使用示例

基礎用法

from transformers import T5Tokenizer, T5ForConditionalGeneration

tokenizer = T5Tokenizer.from_pretrained("ThomasNLG/t5-qg_webnlg_synth-en")

model = T5ForConditionalGeneration.from_pretrained("ThomasNLG/t5-qg_webnlg_synth-en")

高級用法

你可以使用推理API來使用該模型，文本輸入格式應遵循以下模板（根據模型的訓練階段）：

text_input = "{ANSWER} </s> {CONTEXT}"

其中 CONTEXT 是一個以如下方式線性化的結構化表格：

CONTEXT = "name [ The Eagle ] , eatType [ coffee shop ] , food [ French ] , priceRange [ £ 2 0 - 2 5 ]"

📚 詳細文檔

訓練數據

該模型在合成數據上進行訓練，相關內容詳見 Data-QuestEval: A Referenceless Metric for Data to Text Semantic Evaluation。

引用信息

@article{rebuffel2021data,
  title={Data-QuestEval: A Referenceless Metric for Data to Text Semantic Evaluation},
  author={Rebuffel, Cl{\'e}ment and Scialom, Thomas and Soulier, Laure and Piwowarski, Benjamin and Lamprier, Sylvain and Staiano, Jacopo and Scoutheeten, Geoffrey and Gallinari, Patrick},
  journal={arXiv preprint arXiv:2104.07555},
  year={2021}
}

📄 許可證

本項目採用MIT許可證。

信息表格