e2e_cleaned

• คำอธิบาย :

การอัปเดตข้อมูล E2E NLG Challenge พร้อม MR ที่สะอาด ข้อมูล E2E ประกอบด้วยการแสดงความหมายตามบทสนทนา (MR) ในโดเมนร้านอาหารและการอ้างอิงถึง 5 รายการในภาษาธรรมชาติ ซึ่งเป็นสิ่งที่เราจำเป็นต้องคาดเดา

• เอกสารประกอบเพิ่มเติม : สำรวจเอกสารด้วยรหัส

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

• รหัสที่มา : tfds.datasets.e2e_cleaned.Builder

• รุ่น :

  • 0.1.0 (ค่าเริ่มต้น): ไม่มีบันทึกประจำรุ่น

• ขนาดการดาวน์โหลด : 13.92 MiB

• ขนาดชุดข้อมูล : 14.70 MiB

• แคชอัตโนมัติ ( เอกสารประกอบ ): ใช่

• แยก :

แยก	ตัวอย่าง
'test'	4,693
'train'	33,525
'validation'	4,299

• โครงสร้างคุณลักษณะ :

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

• เอกสารคุณสมบัติ :

ลักษณะเฉพาะ	ระดับ	รูปร่าง	Dประเภท	คำอธิบาย
	คุณสมบัติDict
อินพุต_ข้อความ	คุณสมบัติDict
input_text/ตาราง	ลำดับ
input_text/table/column_header	เทนเซอร์		สตริง
input_text/table/content	เทนเซอร์		สตริง
input_text/table/row_number	เทนเซอร์		int16
target_text	เทนเซอร์		สตริง

• คีย์ภายใต้การดูแล (ดู as_supervised doc ): ('input_text', 'target_text')

• รูปภาพ ( tfds.show_examples ): ไม่รองรับ

• ตัวอย่าง ( tfds.as_dataframe ):

• การอ้างอิง :

@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.",
}