more samples of model performance are given in readme

README.md

@@ -32,6 +32,8 @@ widget:
 Раскрытая реплика позволяет использовать многие классические инструменты NLP для обработки, включая регулярные выражения, классификаторы
 интентов и т.д.
 
+Подробнее о том, какие ситуации обрабатываются моделью, см. в конце страницы.
+
 
 ## Пример использования
 
@@ -63,3 +65,171 @@ text = tokenizer.decode(output_sequences[0].tolist(), clean_up_tokenization_spac
 text = text[: text.find('</s>')]
 print(text)
 ```
+
+## Обрабатываемые ситуации
+
+Модель разрабатывается с прицелом на использование в [чатботе](https://github.com/Koziev/chatbot). Она поддерживает некоторые
+типичные ситуации в читчате, которые перечислены далее.
+
+В примерах после символа ⇒ идет эталонная раскрытая реплика.
+
+Эллипсисы:
+
+```
+- Как же тебя зовут, а?
+- Меня – Стас, а тебя?  ⇒ Меня зовут Стас. Как тебя зовут?
+```
+
+В редких случаях и главное слово в словосочетании может опускаться:
+
+```
+- Мама, купи мне собаку.
+- А ты будешь за ней ухаживать?
+- А ты мне здоровую купи.  ⇒ купи мне здоровую собаку
+```
+
+Анафора:
+
+```
+- Ты собак любишь?
+- Не люблю я их  ⇒ я не люблю собак
+```
+
+Иногда требуется привлечение здравого смысла:
+
+```
+- Мне на голову упала коробка.
+- А что в ней было?  ⇒ что было в коробке|голове?
+```
+
+Гэппинг:
+
+```
+- Ты кошек любишь?
+- Их – нет  ⇒  я не люблю кошек
+```
+
+Сложный гэппинг:
+
+```
+- В 25 лет вы получаете пенсию?
+- Не я - отец.  ⇒  Я не получаю пенсию. Отец получает пенсию
+```
+
+Типичные паттерны: например, восстановление подлежащего (см. pro drop)
+
+```
+- Согласна?
+- Да  ⇒ я согласна
+```
+
+Между строк:
+
+```
+- Ты разве ещё не ел?
+- Тебя ждал  ⇒  я еще не ел. я ждал тебя.
+```
+
+Отрицания в диалоге:
+
+```
+- Я не прав?
+- Нет. (Да.) ⇒ ты не прав
+```
+
+Интерпретация не сводится к копированию слов из контекста:
+
+```
+- Как прошли выходные?
+- В Простоквашино ездила...  ⇒  я на выходных ездила в Простоквашино
+```
+
+Все вышесказанное может быть в разных сочетаниях одновременно:
+
+```
+- Где твой кот?
+- Жена к ветеринару повезла.  ⇒ жена повезла моего кота к ветеринару
+- Заболел?  ⇒  твой кот заболел?
+```
+
+Сложные предложения:
+
+```
+- Я сварила суп, иди ешь.
+- Из чего?  ⇒  из чего ты сварила суп?
+```
+
+Замена подлежащего:
+
+```
+- Как себя чувствует твой попугай?
+- Бедняга умер...   ⇒   мой попугай умер
+```
+
+Иногда от реплики остается только наречие:
+
+```
+- Девушка, а Вы животных любите?
+- Очень!  ⇒ я очень люблю животных
+```
+
+Форма сказуемого иногда может меняться из соображений согласованности:
+
+```
+- Рабинович, как думаете, что будет делать правительство, если завтра население разом бросит курить?
+- Таки, поднимут акцизы на алкоголь...  ⇒ правительно поднимет акцизы на алкоголь, если завтра население разом бросит курить
+```
+
+Во всех случаях модель не выдает никакой информации, откуда она взяла подстановку
+для замены или заполнения в выходном тексте. На выходе получается просто текст реплики
+в том виде, как ее мог бы сказать человек, безо всяких дополнительных отсылок и маркеров:
+
+```
+- У тебя брат есть?
+- Да, есть
+- Где он работает?  ⇒ Где работает твой брат?
+```
+
+В данном примере модель никак не сообщит нам, откуда она взяла подстановку “твой брат” для местоимения “он”.
+Это сильно упрощает ручную разметку обучающего корпуса и не особо мешает диалоговой системе.
+
+Во многих случаях модель приводит порядок слов к более-менее каноническому. Точнее говоря, она старается
+выдать текст с таким порядком слов, который обычно используют носители языка в данном контексте диалога.
+Если русскоговорящие предпочитают OVS вместо формального SVO, то модель будет выдавать именно OVS:
+
+```
+У тебя штрафы были?
+Нет, их никогда не было ⇒ у меня никогда не было штрафов
+```
+
+Модель обычно вставляет личные местоимения, даже если форма глагола позволяет обойтись без них:
+
+```
+Жару любишь?
+Ненавижу ее  ⇒ я ненавижу жару
+```
+
+Сложносочиненные ответы разбиваются на отдельные клаузы, чтобы downstream pipeline мог обработать их последовательно:
+
+```
+Тебя как зовут?
+Кортана, а тебя как?  ⇒  Меня зовут Кортана. Как тебя зовут?
+```
+
+В качестве контекста можно подавать последние 2 или 3 реплики. Более длинные отношения весьма редки, чтобы ради них усложнять датасет. Кроме того, во многих случаях достаточно применить модель рекурсивно - подать вместо исходных реплик диалога результат их раскрытия моделью:
+
+```
+Где живешь?
+В Шанхае  ⇒ я живу в Шанхае
+Давно?   ⇒  ты давно живешь в Шанхае?
+Два года уже  ⇒ я уже два года живу в Шанхае
+Как там погода?  ⇒ как там погода в Шанхае?
+```
+
+Последнее, что хочется отметить: модель обучена только на диалоговых данных, с короткими репликами.
+Она практически не способна раскрывать анафоры в художественных текстах, хотя это скорее не ограничение модели,
+а особенность обучающего датасета.
+
+
+
+