e2e_পরিষ্কার করা হয়েছে

• বর্ণনা :

পরিষ্কার করা MRs সহ E2E NLG চ্যালেঞ্জ ডেটার একটি আপডেট রিলিজ৷ E2E ডেটাতে রেস্তোরাঁর ডোমেনে ডায়ালগ অ্যাক্ট-ভিত্তিক অর্থ উপস্থাপনা (MR) এবং প্রাকৃতিক ভাষায় 5টি রেফারেন্স রয়েছে, যা একজনের ভবিষ্যদ্বাণী করা দরকার।

• অতিরিক্ত ডকুমেন্টেশন : কোড সহ কাগজপত্রে অন্বেষণ করুন

• হোমপেজ : https://github.com/tuetschek/e2e-cleaning

• সোর্স কোড : tfds.datasets.e2e_cleaned.Builder

• সংস্করণ :

  • 0.1.0 (ডিফল্ট): কোনো রিলিজ নোট নেই।

• ডাউনলোড আকার : 13.92 MiB

• ডেটাসেটের আকার : 14.70 MiB

• স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): হ্যাঁ

• বিভাজন :

বিভক্ত	উদাহরণ
'test'	4,693
'train'	33,525
'validation'	4,299

• বৈশিষ্ট্য গঠন :

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

• বৈশিষ্ট্য ডকুমেন্টেশন :

বৈশিষ্ট্য	ক্লাস	আকৃতি	ডিটাইপ	বর্ণনা
	ফিচারসডিক্ট
input_text	ফিচারসডিক্ট
ইনপুট_টেক্সট/টেবিল	ক্রম
ইনপুট_টেক্সট/টেবিল/কলাম_হেডার	টেনসর		স্ট্রিং
ইনপুট_টেক্সট/টেবিল/সামগ্রী	টেনসর		স্ট্রিং
ইনপুট_টেক্সট/টেবিল/সারি_সংখ্যা	টেনসর		int16
টার্গেট_টেক্সট	টেনসর		স্ট্রিং

• তত্ত্বাবধান করা কী ( as_supervised ডক হিসেবে ): ('input_text', 'target_text')

• চিত্র ( tfds.show_examples ): সমর্থিত নয়।

• উদাহরণ ( tfds.as_dataframe ):

• উদ্ধৃতি :

@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.",
}