kosmos_qa

• opis :

Cosmos QA to wielkoskalowy zbiór danych zawierający 35,6 tys. problemów, które wymagają zdrowego rozsądku w zakresie czytania ze zrozumieniem, sformułowanych jako pytania wielokrotnego wyboru. Koncentruje się na czytaniu między wierszami różnorodnego zbioru codziennych narracji ludzi, zadając pytania dotyczące prawdopodobnych przyczyn lub skutków wydarzeń, które wymagają rozumowania wykraczającego poza dokładne rozpiętości tekstu w kontekście.

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na

• Strona główna : https://wilburone.github.io/cosmos/

• Kod źródłowy : tfds.question_answering.CosmosQA

• Wersje :

  • 1.0.0 (domyślnie): Brak informacji o wersji.

• Rozmiar pliku do pobrania : 23.27 MiB

• Rozmiar zestawu danych : 27.09 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

Rozdzielać	Przykłady
'test'	6963
'train'	25262
'validation'	2985

• Struktura funkcji :

FeaturesDict({
    'answer0': Text(shape=(), dtype=string),
    'answer1': Text(shape=(), dtype=string),
    'answer2': Text(shape=(), dtype=string),
    'answer3': Text(shape=(), dtype=string),
    'context': Text(shape=(), dtype=string),
    'id': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=4),
    'question': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

Funkcja	Klasa	Kształt	Typ D	Opis
	FunkcjeDict
odpowiedź0	Tekst		strunowy
odpowiedź 1	Tekst		strunowy
odpowiedź2	Tekst		strunowy
odpowiedź3	Tekst		strunowy
kontekst	Tekst		strunowy
ID	Tekst		strunowy
etykieta	Etykieta klasy		int64
pytanie	Tekst		strunowy

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@inproceedings{huang-etal-2019-cosmos,
    title = "Cosmos {QA}: Machine Reading Comprehension with Contextual Commonsense Reasoning",
    author = "Huang, Lifu  and
      Le Bras, Ronan  and
      Bhagavatula, Chandra  and
      Choi, Yejin",
    booktitle = "Proceedings of the 2019 Conference on Empirical Methods in Natural Language Processing and the 9th International Joint Conference on Natural Language Processing (EMNLP-IJCNLP)",
    year = "2019",
    url = "https://www.aclweb.org/anthology/D19-1243"
}