许可证：Apache-2.0
推理：不支持
数据集：google_wellformed_query

@misc{ashish_kumar_2024,
    author       = {{Ashish Kumar}},
    title        = {query_wellformedness_score (修订版 55a424c)},
    year         = 2024,
    url          = {https://huggingface.co/Ashishkr/query_wellformedness_score},
    doi          = {10.57967/hf/1980},
    publisher    = {Hugging Face}
}

预期用途

内容创作：验证书面内容的规范性。
教育平台：帮助学生检查句子的语法正确性。
聊天机器人及虚拟助手：验证用户查询或生成规范的回答。

联系方式：kua613@g.harvard.edu
模型名称：查询规范性评分

描述：通过检查语法正确性和完整性来评估句子的规范性。对大小写敏感，并对语法错误和大小写错误进行扣分。

功能：

• 规范性评分：提供表示语法正确性和完整性的分数。
• 大小写敏感：识别并扣分句子中的错误大小写。
• 广泛适用性：可用于多种类型的句子。

示例：

1. 狗是哺乳动物。
2. 她喜欢读历史书籍。
3. 当西班牙下雨时。
4. 吃苹果对你有益。
5. 埃菲尔铁塔在巴黎。

在这些句子中：
句子1和5是规范的，语法和大小写正确。
句子2以小写字母开头。
句子3是片段，不规范。
句子4存在主谓一致错误。

使用示例：
库：HuggingFace transformers

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
tokenizer = AutoTokenizer.from_pretrained("Ashishkr/query_wellformedness_score")
model = AutoModelForSequenceClassification.from_pretrained("Ashishkr/query_wellformedness_score")
sentences = [
    "季度财务报告显示增长。",  # 错误
    "他已完成上一财年的审计。",  # 错误
    "请通知董事会最近的进展。",  # 错误
    "团队成功实现了上一季度的所有目标。",  # 正确
    "我们公司正在探索欧洲市场的新业务。"  # 正确
]

features = tokenizer(sentences, padding=True, truncation=True, return_tensors="pt")
model.eval()
with torch.no_grad():
    scores = model(**features).logits
print(scores)

引用 Ashishkr/query_wellformedness_score