e2e_cleaned

  • Описание :

Выпуск обновления данных E2E NLG Challenge с очищенными MR. Данные E2E содержат представление значения (MR) на основе диалога в домене ресторана и до 5 ссылок на естественном языке, что и нужно предсказать.

Расколоть Примеры
'test' 4693
'train' 33 525
'validation' 4299
  • Структура функции :
FeaturesDict({
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': tf.string,
            'content': tf.string,
            'row_number': tf.int16,
        }),
    }),
    'target_text': tf.string,
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
input_text ОсобенностиDict
input_text/таблица Последовательность
input_text/таблица/column_header Тензор tf.string
input_text/таблица/содержание Тензор tf.string
input_text/таблица/номер_строки Тензор tf.int16
целевой_текст Тензор tf.string
  • Цитата :
@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.",
}
,

  • Описание :

Выпуск обновления данных E2E NLG Challenge с очищенными MR. Данные E2E содержат представление значения (MR) на основе диалога в домене ресторана и до 5 ссылок на естественном языке, что и нужно предсказать.

Расколоть Примеры
'test' 4693
'train' 33 525
'validation' 4299
  • Структура функции :
FeaturesDict({
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': tf.string,
            'content': tf.string,
            'row_number': tf.int16,
        }),
    }),
    'target_text': tf.string,
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
input_text ОсобенностиDict
input_text/таблица Последовательность
input_text/таблица/column_header Тензор tf.string
input_text/таблица/содержание Тензор tf.string
input_text/таблица/номер_строки Тензор tf.int16
целевой_текст Тензор tf.string
  • Цитата :
@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.",
}