e2e_cleaned

• الوصف :

إصدار محدث لبيانات تحدي E2E NLG مع MRs نظيف. تحتوي بيانات E2E على تمثيل المعنى القائم على الحوار (MR) في مجال المطعم وما يصل إلى 5 مراجع في اللغة الطبيعية ، وهو ما يحتاج المرء للتنبؤ به.

• وثائق إضافية : استكشف في الأوراق باستخدام الرمز

• الصفحة الرئيسية : https://github.com/tuetschek/e2e-cleaning

• كود المصدر : tfds.datasets.e2e_cleaned.Builder

• إصدارات :

  • 0.1.0 (افتراضي): لا توجد ملاحظات حول الإصدار.

• حجم التحميل : 13.92 MiB

• حجم مجموعة البيانات : 14.70 MiB

• التخزين المؤقت التلقائي ( الوثائق ): نعم

• الانقسامات :

انشق، مزق	أمثلة
'test'	4،693
'train'	33525
'validation'	4299

• هيكل الميزة :

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

• وثائق الميزة :

ميزة	فصل	شكل	نوع	وصف
	الميزات
أدخل نصآ	الميزات
input_text / الجدول	تسلسل
input_text / table / column_header. إدخال / نص / جدول / عمود	موتر		سلسلة
input_text / جدول / محتوى	موتر		سلسلة
input_text / table / row_number	موتر		int16
target_text	موتر		سلسلة

• المفاتيح الخاضعة للإشراف (راجع المستند as_supervised ): ('input_text', 'target_text')

• الشكل ( tfds.show_examples ): غير مدعوم.

• أمثلة ( tfds.as_dataframe ):

• الاقتباس :

@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.",
}