רזולוציה_מוגדרת_כינוי

• תיאור :

הולחן על ידי 30 סטודנטים מאחת מכיתות התואר הראשון של המחבר. צמדי משפטים אלה מכסים נושאים החל מאירועים אמיתיים (למשל, התוכנית של איראן לתקוף את השגריר הסעודי בארה"ב) לאירועים/דמויות בסרטים (למשל, באטמן) ומצבים דמיוניים לחלוטין, המשקפים במידה רבה את תרבות הפופ כפי שנתפסה על ידי הילדים האמריקאים נולד בתחילת שנות ה-90. כל דוגמה מוערת משתרעת על פני ארבע שורות: השורה הראשונה מכילה את המשפט, השורה השנייה מכילה את כינוי המטרה, השורה השלישית מכילה את שני הקדומים המועמדים, והשורה הרביעית מכילה את הקדם הנכון. אם כינוי המטרה מופיע יותר מפעם אחת במשפט, ההתרחשות הראשונה שלו היא זו שיש לפתור.

• תיעוד נוסף : חקור על ניירות עם קוד

• דף הבית : https://www.hlt.utdallas.edu/~vince/data/emnlp12/

• קוד מקור : tfds.text.DefinitePronounResolution

• גרסאות :

  • 1.1.0 (ברירת מחדל): אין הערות שחרור.

• גודל הורדה : 222.12 KiB

• גודל מערך נתונים : 334.22 KiB

• שמור אוטומטי במטמון ( תיעוד ): כן

• פיצולים :

לְפַצֵל	דוגמאות
'test'	564
'train'	1,322

• מבנה תכונה :

FeaturesDict({
    'candidates': Sequence(Text(shape=(), dtype=string)),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'pronoun': Text(shape=(), dtype=string),
    'sentence': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

תכונה	מעמד	צוּרָה	Dtype	תיאור
	FeaturesDict
מועמדים	רצף (טקסט)	(2,)	חוּט
תווית	ClassLabel		int64
כנוי	טֶקסט		חוּט
משפט	טֶקסט		חוּט

• מפתחות בפיקוח (ראה as_supervised doc ): ('sentence', 'label')

• איור ( tfds.show_examples ): לא נתמך.

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{rahman2012resolving,
  title={Resolving complex cases of definite pronouns: the winograd schema challenge},
  author={Rahman, Altaf and Ng, Vincent},
  booktitle={Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning},
  pages={777--789},
  year={2012},
  organization={Association for Computational Linguistics}
}