- 説明:
レストラン ドメインのチェコ語のデータからテキストへのデータセット。入力意味表現には、対話行為の種類 (通知、確認など)、スロット (食べ物、エリアなど) とその値が含まれます。これは、Wen らによる英語の San Francisco Restaurants データセットの翻訳として生まれました。 （2015）。
バージョン:
-
1.0.0(デフォルト): リリース ノートはありません。
-
ダウンロードサイズ:
1.40 MiBデータセットサイズ:
2.46 MiB自動キャッシュ(ドキュメント): はい
スプリット:
| スプリット | 例 |
|---|---|
'test' | 842 |
'train' | 3,569 |
'validation' | 781 |
- 機能構造:
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,
})
- 機能のドキュメント:
| 特徴 | クラス | 形 | Dtype | 説明 |
|---|---|---|---|---|
| 特徴辞書 | ||||
| delex_input_text | 特徴辞書 | |||
| delex_input_text/テーブル | 順序 | |||
| delex_input_text/table/column_header | テンソル | ストリング | ||
| delex_input_text/テーブル/コンテンツ | テンソル | ストリング | ||
| delex_input_text/table/row_number | テンソル | int16 | ||
| delex_target_text | テンソル | ストリング | ||
| 入力テキスト | 特徴辞書 | |||
| 入力テキスト/テーブル | 順序 | |||
| input_text/table/column_header | テンソル | ストリング | ||
| 入力テキスト/テーブル/コンテンツ | テンソル | ストリング | ||
| 入力テキスト/テーブル/行番号 | テンソル | int16 | ||
| target_text | テンソル | ストリング |
監視されたキー(
as_superviseddocを参照):('input_text', 'target_text')図( tfds.show_examples ): サポートされていません。
例( tfds.as_dataframe ):
- 引用：
@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.},
}