T5 Qa Webnlg Synth En

🚀 t5-qa_webnlg_synth-en

這是一個基於T5-small的“數據問答”模型，它以結構化表格為輸入來回答問題。該模型實際上是QuestEval指標的一個組件，但也可以獨立用於問答任務。

🚀 快速開始

本模型是基於T5-small的數據問答模型，它以結構化表格為輸入來回答問題。實際上，它是QuestEval指標的一個組件，但也可獨立用於問答任務。

✨ 主要特性

• 基於T5-small架構，可處理以結構化表格為輸入的問答任務。
• 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-qa_webnlg_synth-en")

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

💻 使用示例

基礎用法

from transformers import T5Tokenizer, T5ForConditionalGeneration

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

model = T5ForConditionalGeneration.from_pretrained("ThomasNLG/t5-qa_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 = "{QUESTION} </s> {CONTEXT}"

其中，CONTEXT 是按以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

該模型基於合成數據進行訓練，具體內容可參考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

本模型採用MIT許可證。

信息表格