e2e_cleaned

• Mô tả :

Bản phát hành cập nhật dữ liệu Thử thách E2E NLG với các MR đã được làm sạch. Dữ liệu E2E chứa biểu diễn ý nghĩa dựa trên hành động đối thoại (MR) trong miền nhà hàng và tối đa 5 tham chiếu bằng ngôn ngữ tự nhiên, đây là điều mà người ta cần dự đoán.

• Tài liệu bổ sung : Khám phá trên giấy tờ với mã

• Trang chủ : https://github.com/tuetschek/e2e-cleaning

• Mã nguồn : tfds.datasets.e2e_cleaned.Builder

• Phiên bản :

  • 0.1.0 (mặc định): Không có ghi chú phát hành.

• Kích thước tải xuống : 13.92 MiB

• Kích thước tập dữ liệu : 14.70 MiB

• Tự động lưu vào bộ đệm ( tài liệu ): Có

• Chia tách :

Tách ra	ví dụ
'test'	4,693
'train'	33,525
'validation'	4.299

• Cấu trúc tính năng :

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

• Tài liệu tính năng :

Tính năng	Lớp	Hình dạng	Dtype	Sự mô tả
	Tính năngDict
nhập ký tự	Tính năngDict
input_text/bảng	Sự phối hợp
input_text/table/column_header	tenxơ		sợi dây
input_text/bảng/nội dung	tenxơ		sợi dây
input_text/table/row_number	tenxơ		int16
văn bản đích	tenxơ		sợi dây

• Các khóa được giám sát (Xem as_supervised doc ): ('input_text', 'target_text')

• Hình ( tfds.show_examples ): Không được hỗ trợ.

• Ví dụ ( tfds.as_dataframe ):

• trích dẫn :

@inproceedings{dusek-etal-2019-semantic,
    title = "Semantic Noise Matters for Neural Natural Language Generation",
    author = "Du{\v{s} }ek, Ond{\v{r} }ej  and
      Howcroft, David M.  and
      Rieser, Verena",
    booktitle = "Proceedings of the 12th International Conference on Natural Language Generation",
    month = oct # "{--}" # nov,
    year = "2019",
    address = "Tokyo, Japan",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/W19-8652",
    doi = "10.18653/v1/W19-8652",
    pages = "421--426",
    abstract = "Neural natural language generation (NNLG) systems are known for their pathological outputs, i.e. generating text which is unrelated to the input specification. In this paper, we show the impact of semantic noise on state-of-the-art NNLG models which implement different semantic control mechanisms. We find that cleaned data can improve semantic correctness by up to 97{\%}, while maintaining fluency. We also find that the most common error is omitting information, rather than hallucination.",
}