irc_disentanglement

  • Descripción :

El conjunto de datos de desenredado de IRC contiene más de 77 563 mensajes del canal IRC de Ubuntu.

Las características incluyen la identificación del mensaje, el texto del mensaje y la marca de tiempo. El destino es una lista de mensajes a los que responde el mensaje actual. Cada registro contiene una lista de mensajes de un día de chat IRC.

Separar Ejemplos
'test' 10
'train' 153
'validation' 10
  • Estructura de características :
FeaturesDict({
    'day': Sequence({
        'id': Text(shape=(), dtype=string),
        'parents': Sequence(Text(shape=(), dtype=string)),
        'text': Text(shape=(), dtype=string),
        'timestamp': Text(shape=(), dtype=string),
    }),
})
  • Documentación de características :
Rasgo Clase Forma Tipo D Descripción
CaracterísticasDict
día Secuencia
día/identificación Texto cuerda
día/padres Secuencia (Texto) (Ninguna,) cuerda
día/texto Texto cuerda
día/marca de tiempo Texto cuerda
  • Cita :
@InProceedings{acl19disentangle,
  author    = {Jonathan K. Kummerfeld and Sai R. Gouravajhala and Joseph Peper and Vignesh Athreya and Chulaka Gunasekara and Jatin Ganhotra and Siva Sankalp Patel and Lazaros Polymenakos and Walter S. Lasecki},
  title     = {A Large-Scale Corpus for Conversation Disentanglement},
  booktitle = {Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics},
  location  = {Florence, Italy},
  month     = {July},
  year      = {2019},
  doi       = {10.18653/v1/P19-1374},
  pages     = {3846--3856},
  url       = {https://aclweb.org/anthology/papers/P/P19/P19-1374/},
  arxiv     = {https://arxiv.org/abs/1810.11118},
  software  = {https://jkk.name/irc-disentanglement},
  data      = {https://jkk.name/irc-disentanglement},
}