istella

• opis :

Zbiory danych Istella to trzy wielkoskalowe zestawy danych Learning-to-Rank wydane przez Istella. Każdy zestaw danych składa się z par zapytanie-dokument reprezentowanych jako wektory cech i odpowiadające im etykiety oceny istotności.

Zestaw danych zawiera trzy wersje:

• main („Istella LETOR”): Zawiera 10 454 629 par zapytanie-dokument.
• s („Istella-S LETOR”): Zawiera 3 408 630 par zapytanie-dokument.
• x („Istella-X LETOR”): Zawiera 26 791 447 par zapytanie-dokument.

Możesz określić, czy chcesz użyć wersji main , s czy x zestawu danych w następujący sposób:

ds = tfds.load("istella/main")
ds = tfds.load("istella/s")
ds = tfds.load("istella/x")

Jeśli określono tylko istella , domyślnie wybrana jest opcja istella/main :

# This is the same as `tfds.load("istella/main")`
ds = tfds.load("istella")

• Strona główna : http://quickrank.isti.cnr.it/istella-dataset/

• Kod źródłowy : tfds.ranking.istella.Istella

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 1.0.1 : Napraw serializację, aby obsługiwać float64.
  • 1.1.0 : Połącz funkcje w jedną funkcję „float_features”.
  • 1.2.0 (domyślnie): Dodaj identyfikatory zapytań i dokumentów.

• Automatyczne buforowanie ( dokumentacja ): Nie

• Struktura funkcji :

FeaturesDict({
    'doc_id': Tensor(shape=(None,), dtype=int64),
    'float_features': Tensor(shape=(None, 220), dtype=float64),
    'label': Tensor(shape=(None,), dtype=float64),
    'query_id': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

Funkcja	Klasa	Kształt	Typ D	Opis
	FunkcjeDict
identyfikator_dokumentu	Napinacz	(Nic,)	int64
float_features	Napinacz	(Brak, 220)	pływak64
etykieta	Napinacz	(Nic,)	pływak64
identyfikator_zapytania	Tekst		strunowy

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Cytat :

@article{10.1145/2987380,
  author = {Dato, Domenico and Lucchese, Claudio and Nardini, Franco Maria and Orlando, Salvatore and Perego, Raffaele and Tonellotto, Nicola and Venturini, Rossano},
  title = {Fast Ranking with Additive Ensembles of Oblivious and Non-Oblivious Regression Trees},
  year = {2016},
  publisher = {ACM},
  address = {New York, NY, USA},
  volume = {35},
  number = {2},
  issn = {1046-8188},
  url = {https://doi.org/10.1145/2987380},
  doi = {10.1145/2987380},
  journal = {ACM Transactions on Information Systems},
  articleno = {15},
  numpages = {31},
}

istella/main (domyślna konfiguracja)

• Rozmiar pliku do pobrania : 1.20 GiB

• Rozmiar zestawu danych : 1.12 GiB

• Podziały :

Podział	Przykłady
'test'	9799
'train'	23219

• Przykłady ( tfds.as_dataframe ):

istella/s

• Rozmiar pliku do pobrania : 450.26 MiB

• Rozmiar zestawu danych : 421.88 MiB

• Podziały :

Podział	Przykłady
'test'	6562
'train'	19245
'vali'	7211

• Przykłady ( tfds.as_dataframe ):

istella/x

• Rozmiar pliku do pobrania : 4.42 GiB

• Rozmiar zestawu danych : 2.46 GiB

• Podziały :

Podział	Przykłady
'test'	2000
'train'	6000
'vali'	2000

• Przykłady ( tfds.as_dataframe ):