cs_restaurants

• Açıklama :

Restoran alanındaki Çekçe veriden metne veri kümesi. Giriş anlamı temsilleri, bir diyalog eylemi tipi (bilgilendirme, onaylama vb.), dilimler (yiyecek, alan vb.) ve bunların değerlerini içerir. Wen ve diğerleri tarafından İngilizce San Francisco Restoranları veri kümesinin bir çevirisi olarak ortaya çıktı. (2015).

• Ana Sayfa : https://github.com/UFAL-DSG/cs_restaurant_dataset

• Kaynak kodu : tfds.structured.cs_restaurants.CSRestaurants

• sürümler :

  • 1.0.0 (varsayılan): Sürüm notu yok.

• İndirme boyutu : 1.40 MiB

• Veri kümesi boyutu : 2.46 MiB

• Otomatik önbelleğe alınmış ( belgeleme ): Evet

• bölmeler :

Bölmek	örnekler
'test'	842
'train'	3.569
'validation'	781

• Özellik yapısı :

FeaturesDict({
    'delex_input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
        }),
    }),
    'delex_target_text': string,
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
        }),
    }),
    'target_text': string,
})

• Özellik belgeleri :

Özellik	Sınıf	Şekil	Dtipi	Tanım
	ÖzelliklerDict
delex_input_text	ÖzelliklerDict
delex_input_text/tablo	Sekans
delex_input_text/tablo/sütun_başlığı	tensör		sicim
delex_input_text/tablo/içerik	tensör		sicim
delex_input_text/tablo/satır_numarası	tensör		int16
delex_target_text	tensör		sicim
giriş metni	ÖzelliklerDict
girdi_metni/tablo	Sekans
girdi_metni/tablo/sütun_başlığı	tensör		sicim
girdi_metni/tablo/içerik	tensör		sicim
girdi_metni/tablo/satır_numarası	tensör		int16
hedef_metin	tensör		sicim

• Denetlenen anahtarlar (Bkz as_supervised doc ): ('input_text', 'target_text')

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@inproceedings{dusek_neural_2019,
        author = {Dušek, Ondřej and Jurčíček, Filip},
        title = {Neural {Generation} for {Czech}: {Data} and {Baselines} },
        shorttitle = {Neural {Generation} for {Czech} },
        url = {https://www.aclweb.org/anthology/W19-8670/},
        urldate = {2019-10-18},
        booktitle = {Proceedings of the 12th {International} {Conference} on {Natural} {Language} {Generation} ({INLG} 2019)},
        month = oct,
        address = {Tokyo, Japan},
        year = {2019},
        pages = {563--574},
        abstract = {We present the first dataset targeted at end-to-end NLG in Czech in the restaurant domain, along with several strong baseline models using the sequence-to-sequence approach. While non-English NLG is under-explored in general, Czech, as a morphologically rich language, makes the task even harder: Since Czech requires inflecting named entities, delexicalization or copy mechanisms do not work out-of-the-box and lexicalizing the generated outputs is non-trivial. In our experiments, we present two different approaches to this this problem: (1) using a neural language model to select the correct inflected form while lexicalizing, (2) a two-step generation setup: our sequence-to-sequence model generates an interleaved sequence of lemmas and morphological tags, which are then inflected by a morphological generator.},
}