Bart Base Squad Qg No Answer

🚀 research-backup/bart-base-squad-qg-no-answer模型卡片

本模型是facebook/bart-base的微调版本，用于在lmqg/qg_squad（数据集名称：默认）上进行问题生成任务，微调借助了lmqg工具。该模型在微调时不使用答案信息，即仅根据段落生成问题（请注意，普通模型是根据段落和段落中的相关答案来生成问题的）。

🚀 快速开始

本模型可用于文本到文本的生成任务，特别是问题生成。以下是使用该模型的快速指南。

✨ 主要特性

• 模型类型：基于facebook/bart-base微调的问题生成模型。
• 训练数据：使用lmqg/qg_squad数据集进行训练。
• 评估指标：使用了多种评估指标，包括BLEU4、METEOR、ROUGE-L、BERTScore和MoverScore等。

📦 安装指南

使用该模型前，需要安装相关依赖库，如lmqg或transformers。

💻 使用示例

基础用法

使用lmqg库调用模型：

from lmqg import TransformersQG

# 初始化模型
model = TransformersQG(language="en", model="research-backup/bart-base-squad-qg-no-answer")

# 模型预测
questions = model.generate_q(list_context="William Turner was an English painter who specialised in watercolour landscapes", list_answer="William Turner")

高级用法

使用transformers库调用模型：

from transformers import pipeline

pipe = pipeline("text2text-generation", "research-backup/bart-base-squad-qg-no-answer")
output = pipe("<hl>  Beyonce further expanded her acting career, starring as blues singer Etta James in the 2008 musical biopic, Cadillac Records. <hl>")

📚 详细文档

评估

• 问题生成指标: 原始指标文件

训练超参数

以下是微调过程中使用的超参数：

• 数据集路径：lmqg/qg_squad
• 数据集名称：默认
• 输入类型：['paragraph_sentence']
• 输出类型：['question']
• 前缀类型：无
• 模型：facebook/bart-base
• 最大长度：512
• 最大输出长度：32
• 训练轮数：4
• 批次大小：32
• 学习率：0.0001
• 混合精度训练：否
• 随机种子：1
• 梯度累积步数：8
• 标签平滑：0.15

完整的配置可以在微调配置文件中找到。

🔧 技术细节

本模型基于facebook/bart-base进行微调，通过特定的训练策略和超参数设置，在lmqg/qg_squad数据集上进行问题生成任务的训练。在训练过程中，不使用答案信息，仅根据段落生成问题，这与传统的问题生成模型有所不同。

📄 许可证

本模型使用CC BY 4.0许可证。

📖 引用

如果您使用了本模型，请引用以下论文：

@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",
}