معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Check a claim consistency against the provided evidence

ویژگی	مقدار
سیستم عامل	-
نام فایل	fact-checking-0.0.3
نام	fact-checking
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Alberto Cetoli
ایمیل نویسنده	alberto@nlulite.com
آدرس صفحه اصلی	http://github.com/fractalego/fact_checking
آدرس اینترنتی	https://pypi.org/project/fact-checking/
مجوز	-

## Fact checking This generative model - trained on FEVER - aims to predict whether a claim is consistent with the provided evidence. ### Installation and simple usage One quick way to install it is to type ```bash pip install fact_checking ``` and then use the following code: ```python from transformers import ( GPT2LMHeadModel, GPT2Tokenizer, ) from fact_checking import FactChecker _evidence = """ Justine Tanya Bateman (born February 19, 1966) is an American writer, producer, and actress . She is best known for her regular role as Mallory Keaton on the sitcom Family Ties (1982 -- 1989). Until recently, Bateman ran a production and consulting company, SECTION 5 . In the fall of 2012, she started studying computer science at UCLA. """ _claim = 'Justine Bateman is a poet.' tokenizer = GPT2Tokenizer.from_pretrained('gpt2') fact_checking_model = GPT2LMHeadModel.from_pretrained('fractalego/fact-checking') fact_checker = FactChecker(fact_checking_model, tokenizer) is_claim_true = fact_checker.validate(_evidence, _claim) print(is_claim_true) ``` which gives the output ```bash False ``` ### Probabilistic output with replicas The output can include a probabilistic component, obtained by iterating a number of times the output generation. The system generates an ensemble of answers and groups them by Yes or No. For example, one can ask ```python from transformers import ( GPT2LMHeadModel, GPT2Tokenizer, ) from fact_checking import FactChecker _evidence = """ Jane writes code for Huggingface. """ _claim = 'Jane is an engineer.' tokenizer = GPT2Tokenizer.from_pretrained('gpt2') fact_checking_model = GPT2LMHeadModel.from_pretrained('fractalego/fact-checking') fact_checker = FactChecker(fact_checking_model, tokenizer) is_claim_true = fact_checker.validate_with_replicas(_evidence, _claim) print(is_claim_true) ``` with output ```bash {'Y': 0.95, 'N': 0.05} ``` ### Score on FEVER The predictions are evaluated on a subset of the FEVER dev dataset, restricted to the SUPPORTING and REFUTING options: | precision | recall | F1| | --- | --- | --- | |0.94|0.98|0.96| These results should be taken with many grains of salt. This is still a work in progress, and there might be leakage coming from the underlining GPT2 model unnaturally raising the scores.

نیازمندی

مقدار	نام
==1.19.1	numpy
==4.9.2	transformers
==1.9.0	torch
==2.2.9	jupyterlab

نحوه نصب

نصب پکیج whl fact-checking-0.0.3:

pip install fact-checking-0.0.3.whl

نصب پکیج tar.gz fact-checking-0.0.3:

pip install fact-checking-0.0.3.tar.gz