입력 질문에 대한 난이도를 측정하는 모델입니다. (Choi et al. 2020) "DramaQA: Character-Centered Video Story Understanding with Hierarchical QA" 에 정의되어 있는 Criteria 중 2가지(Memory, Logical Complexity)의 관점에서 난이도를 측정합니다.

How to Use

1. Question Difficulty Estimation/requirement.sh을 실행시켜주세요

./requirement.sh

2. 다음 링크의 미리 학습된 모델을 받아주세요
   모델을 다운로드 받은 후 checkpoints 디렉토리를 만들어 checkpoints 디렉토리 안에 다운 받은 모델을 넣어 주세요.
   question level classification pre-trained model download link :
   

Google drive link

3. Question Difficulty Estimation/LevelClassificationModel.py를 import하고 해당 모듈에 선언된 LevelClassificationModel class를 사용하시면 되겠습니다.

현재 main.py 파일을 사용예시로 해두었습니다.

4. output으로 다음 두가지가 출력됩니다.

Memory Level : 3
Logic Level : 4

Contact : Su-Hwan Yoon (yunsh3432@khu.ac.kr)

다중의 응답을 입력으로 받아 가장 적절한 응답을 선택하는 모델입니다.

How to Use

DramaQA starter code를 기반으로 작성했으니 해당 github를 참고하면 도움됩니다.

DramaQA code linke

Answer Selection을 실행하기 위해선 AnotherMissOh 데이터를 가지고 있어야합니다.

data/
  AnotherMissOh/
    AnotherMissOh_images/
        $IMAGE_FOLDERS
        cache
    AnotherMissOh_QA/ -> inference에선 불필요
    AnotherMissOh_Visual.json
    AnotherMissOh_script.json
  ckpt/

1. 다음 링크의 미리 학습된 모델과 전처리된 데이터 Answer_Selection/data 디렉토리에 압축해제 해주세요.
   Answer selection classification pre-trained model and data download link:
   

Google drive link

2. Answer_Selection/code에 들어가서 다음 명령어 실행.

pip install -r requirements.txt

3. Answer_Selection/code/run.sh를 실행하면 output이 출력됩니다.

bash run.sh

4. output으로 다음 두가지가 출력됩니다.

correc_idx : int, answer : str

Contact : Gyu-Min Park (pgm1219@khu.ac.kr)

만약 작년 연구 모델이 보고싶으시다면
3차년도 연구 모델 링크 : https://github.com/khu-nlplab/VTT-KHU-2019