کتاب جمع

هشدار: دانلود دستی مورد نیاز است. دستورالعمل های زیر را ببینید.

• توضیحات :

BookSum: مجموعه‌ای از مجموعه‌های داده برای خلاصه‌سازی روایت طولانی

این پیاده سازی در حال حاضر فقط از خلاصه کتاب و فصل پشتیبانی می کند.

GitHub: https://github.com/salesforce/booksum

• اسناد اضافی : کاوش در کاغذها با کد

• صفحه اصلی : https://github.com/salesforce/booksum

• کد منبع : tfds.datasets.booksum.Builder

• نسخه ها :

  • 1.0.0 (پیش فرض): انتشار اولیه.

• اندازه دانلود : Unknown size

• دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض ~/tensorflow_datasets/downloads/manual/ ):
  

  1) به https://github.com/salesforce/booksum بروید و مراحل 1-3 را اجرا کنید. کل پروژه booksum git را در پوشه manual قرار دهید. 2) کتاب های فصلی را از https://storage.cloud.google.com/sfr-books-dataset-chapters-research/all_chapterized_books.zip دانلود کرده و در پوشه دستی از حالت فشرده خارج کنید.

پوشه دستی باید شامل دایرکتوری های زیر باشد:

- `booksum/`
- `all_chapterized_books/`

توجه: از آنجایی که مجموعه داده BookSum بر اساس در دسترس بودن داده‌های خراش‌شده وب است و ممکن است ناقص باشد، روش _generate_examples به‌طور خودکار ورودی‌های گمشده را رد می‌کند.

• ذخیره خودکار ( مستندات ): بله (تست، اعتبارسنجی)، فقط زمانی که shuffle_files=False (قطار)

• ساختار ویژگی :

FeaturesDict({
    'document': Text(shape=(), dtype=string),
    'summary': Text(shape=(), dtype=string),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
سند	متن		رشته
خلاصه	متن		رشته

• کلیدهای نظارت شده (نگاه کنید به as_supervised doc ): ('document', 'summary')

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• نقل قول :

@article{kryscinski2021booksum,
      title={BookSum: A Collection of Datasets for Long-form Narrative Summarization},
      author={Wojciech Kry{\'s}ci{\'n}ski and Nazneen Rajani and Divyansh Agarwal and Caiming Xiong and Dragomir Radev},
      year={2021},
      eprint={2105.08209},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

booksum/book (پیکربندی پیش فرض)

• توضیحات پیکربندی : خلاصه سازی در سطح کتاب

• حجم مجموعه داده : 208.81 MiB

• تقسیم ها :

شکاف	مثال ها
'test'	46
'train'	312
'validation'	45

• مثال‌ها ( tfds.as_dataframe ):

کتاب مجموعه/فصل

• توضیحات پیکربندی : خلاصه در سطح فصل

• حجم مجموعه داده : 216.71 MiB

• تقسیم ها :

شکاف	مثال ها
'test'	1083
'train'	6,524
'validation'	891

• مثال‌ها ( tfds.as_dataframe ):