语言:

• 英语 标签:
• 问答系统
• 情感检测
• 摘要生成 许可证: Apache-2.0 数据集:
• CoQA
• SQuAD v2
• GoEmotions
• CNN/DailyMail 评估指标:
• F1分数 流水线标签: 文本到文本生成 示例输入:
• 文本: 'q: 埃隆·马斯克是谁？ a: 企业家 q: 他何时出生？ c: 埃隆·马斯克是1971年出生的企业家。'
• 文本: 'emotion: 希望这个能奏效！'

集成问答+摘要+情感功能的T5基础模型

依赖项

需安装transformers库（版本≥4.0.0）

模型描述

本模型基于CoQA、SQuAD 2、GoEmotions和CNN/DailyMail数据集进行微调。

在SQuAD 2开发集上取得F1 79.5分，在CoQA开发集上获得F1 70.6分。

摘要生成和情感检测功能尚未进行正式评估。

使用指南

问答功能

使用Transformers库

from transformers import T5ForConditionalGeneration, T5Tokenizer
model = T5ForConditionalGeneration.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")
tokenizer = T5Tokenizer.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")

def get_answer(question, prev_qa, context):
    input_text = [f"q: {qa[0]} a: {qa[1]}" for qa in prev_qa]
    input_text.append(f"q: {question}")
    input_text.append(f"c: {context}")
    input_text = " ".join(input_text)
    features = tokenizer([input_text], return_tensors='pt')
    tokens = model.generate(input_ids=features['input_ids'], 
            attention_mask=features['attention_mask'], max_length=64)
    return tokenizer.decode(tokens[0], skip_special_tokens=True)

print(get_answer("为什么月亮是黄色的？", "我不完全确定月亮为什么是黄色的。")) # 未知

context = "埃隆·马斯克离开OpenAI是为了避免未来可能与他作为特斯拉CEO的角色产生冲突。"

print(get_answer("为什么不呢？", [("埃隆·马斯克还在OpenAI工作吗", "不在")], context)) # 为避免未来可能与他作为特斯拉CEO的角色产生冲突

使用Kiri库

from kiri.models import T5QASummaryEmotion

context = "埃隆·马斯克离开OpenAI是为了避免未来可能与他作为特斯拉CEO的角色产生冲突。"
prev_qa = [("埃隆·马斯克还在OpenAI工作吗", "不在")]
model = T5QASummaryEmotion()

# 对于非对话式问答可留空prev_qa参数
model.qa("为什么不呢？", context, prev_qa=prev_qa)
> "为避免未来可能与他作为特斯拉CEO的角色产生冲突"

摘要生成功能

使用Transformers库

from transformers import T5ForConditionalGeneration, T5Tokenizer
model = T5ForConditionalGeneration.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")
tokenizer = T5Tokenizer.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")

def summary(context):
    input_text = f"summarize: {context}"
    features = tokenizer([input_text], return_tensors='pt')
    tokens = model.generate(input_ids=features['input_ids'], 
            attention_mask=features['attention_mask'], max_length=64)
    return tokenizer.decode(tokens[0], skip_special_tokens=True)

使用Kiri库

from kiri.models import T5QASummaryEmotion

model = T5QASummaryEmotion()

model.summarise("待摘要的长文本内容")
> "长文本的简短摘要"

情感分析功能

使用Transformers库

from transformers import T5ForConditionalGeneration, T5Tokenizer
model = T5ForConditionalGeneration.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")
tokenizer = T5Tokenizer.from_pretrained("kiri-ai/t5-base-qa-summary-emotion")

def emotion(context):
    input_text = f"emotion: {context}"
    features = tokenizer([input_text], return_tensors='pt')
    tokens = model.generate(input_ids=features['input_ids'], 
            attention_mask=features['attention_mask'], max_length=64)
    return tokenizer.decode(tokens[0], skip_special_tokens=True)

使用Kiri库

from kiri.models import T5QASummaryEmotion

model = T5QASummaryEmotion()

model.emotion("希望这个能奏效！")
> "乐观"

关于我们

Kiri致力于让前沿模型的使用变得简单、可及且可扩展。

官网 | 自然语言引擎