cosmos_qa

• Descrição :

O Cosmos QA é um conjunto de dados em grande escala de 35,6 mil problemas que exigem compreensão de leitura baseada no senso comum, formulados como questões de múltipla escolha. Ele se concentra na leitura nas entrelinhas de uma coleção diversificada de narrativas cotidianas das pessoas, fazendo perguntas sobre as prováveis ​​causas ou efeitos de eventos que exigem raciocínio além dos trechos exatos do texto no contexto.

• Documentação Adicional : Explore em Papers With Code

• Página inicial : https://wilburone.github.io/cosmos/

• Código -fonte: tfds.question_answering.CosmosQA

• Versões :

  • 1.0.0 (padrão): sem notas de versão.

• Tamanho do download : 23.27 MiB

• Tamanho do conjunto de dados : 27.09 MiB

• Cache automático ( documentação ): Sim

• Divisões :

Dividir	Exemplos
'test'	6.963
'train'	25.262
'validation'	2.985

• Estrutura de recursos :

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),
})

• Documentação do recurso:

Característica	Classe	Forma	Tipo D	Descrição
	RecursosDict
resposta0	Texto		corda
resposta 1	Texto		corda
resposta2	Texto		corda
resposta3	Texto		corda
contexto	Texto		corda
Eu iria	Texto		corda
etiqueta	ClassLabel		int64
pergunta	Texto		corda

• Chaves supervisionadas (Consulte as_supervised doc ): None

• Figura ( tfds.show_examples ): Não compatível.

• Exemplos ( tfds.as_dataframe ):

• Citação :

@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"
}