Hugging Face——QA

最新推荐文章于 2024-04-29 07:52:28 发布

gbchen99

最新推荐文章于 2024-04-29 07:52:28 发布

阅读量916

点赞数

分类专栏： QA专栏文章标签：自然语言处理人工智能 nlp

原文链接：https://huggingface.co/tasks/question-answering

版权

QA专栏专栏收录该内容

4 篇文章 0 订阅

订阅专栏

问答模型可以从给定文本中检索问题的答案，这对于在文档中搜索答案很有用。一些问答模型可以在没有上下文的情况下生成答案！

使用场景：

常见问题解答：

可以使用问答 (QA) 模型通过使用知识库（文档）作为上下文来自动回答常见问题。客户问题的答案可以从这些文件中得出。

如果您想节省推理时间，您可以首先使用段落排名模型来查看哪个文档可能包含问题的答案，然后使用 QA 模型迭代该文档。

任务变体：

基于输入和输出有不同的 QA 变体：

1.抽取式 QA（Extractive QA）：模型从上下文中抽取答案。这里的上下文可以是提供的文本、表格甚至 HTML！这通常用类似 BERT 的模型来解决。

2. 开放式生成 QA（Open Generative QA）：模型直接根据上下文生成自由文本。您可以在其页面中了解有关文本生成任务的更多信息。

3.封闭式生成 QA（Closed Generative QA）：在这种情况下，不提供上下文。答案完全由模型生成。

上面的模式说明了抽取式的开放式 QA。该模型采用上下文和问题，并从给定的上下文中提取答案。

您还可以根据它们是开放域还是封闭域来区分 QA 模型。开放域模型不限于特定领域，而封闭域模型仅限于特定领域（例如法律、医学文档）。

Inference

您可以使用问答管道通过 🤗 Transformers 库推断 QA 模型。如果没有给出模型检查点，则管道将使用 distilbert-base-cased-distilled-squad 进行初始化。这个管道接受一个问题和一个上下文，从中提取和返回答案。

from transformers import pipeline

qa_model = pipeline("question-answering")
question = "Where do I live?"
context = "My name is Merve and I live in İstanbul."
qa_model(question = question, context = context)
## {'answer': 'İstanbul', 'end': 39, 'score': 0.953, 'start': 31}