cosmos_qa

• Descriptif :

Cosmos QA est un ensemble de données à grande échelle de 35 600 problèmes qui nécessitent une compréhension en lecture basée sur le bon sens, formulés sous forme de questions à choix multiples. Il se concentre sur la lecture entre les lignes d'une collection diversifiée de récits quotidiens de personnes, posant des questions concernant les causes ou les effets probables d'événements qui nécessitent un raisonnement au-delà de la portée exacte du texte dans le contexte.

• Documentation complémentaire : Explorer sur Papers With Code

• Page d' accueil : https://wilburone.github.io/cosmos/

• Code source : tfds.question_answering.CosmosQA

• Versions :

  • 1.0.0 (par défaut) : aucune note de version.

• Taille du téléchargement : 23.27 MiB

• Taille du jeu de données : 27.09 MiB

• Mise en cache automatique ( documentation ): Oui

• Fractionnements :

Diviser	Exemples
'test'	6 963
'train'	25 262
'validation'	2 985

• Structure des fonctionnalités :

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),
})

• Documentation des fonctionnalités :

Caractéristique	Classer	Forme	Dtype	La description
	FonctionnalitésDict
réponse0	Texte		chaîne de caractères
Réponse 1	Texte		chaîne de caractères
réponse2	Texte		chaîne de caractères
réponse3	Texte		chaîne de caractères
le contexte	Texte		chaîne de caractères
identifiant	Texte		chaîne de caractères
étiquette	Étiquette de classe		int64
question	Texte		chaîne de caractères

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Exemples ( tfds.as_dataframe ):

• Citation :

@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"
}