mslr_web

• Deskripsi :

MSLR-WEB adalah dua kumpulan data Learning-to-Rank berskala besar yang dirilis oleh Microsoft Research. Kumpulan data pertama (disebut "30k") berisi 30.000 kueri dan kumpulan data kedua (disebut "10k") berisi 10.000 kueri. Setiap dataset terdiri dari pasangan dokumen kueri yang direpresentasikan sebagai vektor fitur dan label penilaian relevansi yang sesuai.

Anda dapat menentukan apakah akan menggunakan versi dataset "10k" atau "30k", dan fold yang sesuai, sebagai berikut:

ds = tfds.load("mslr_web/30k_fold1")

Jika hanya mslr_web yang ditentukan, opsi mslr_web/10k_fold1 dipilih secara default:

# This is the same as `tfds.load("mslr_web/10k_fold1")`
ds = tfds.load("mslr_web")

• Beranda : https://www.microsoft.com/en-us/research/project/mslr/

• Kode sumber : tfds.ranking.mslr_web.MslrWeb

• Versi :

  • 1.0.0 : Rilis awal.
  • 1.1.0 : Gabungkan fitur menjadi satu fitur 'float_features'.
  • 1.2.0 (default): Menambahkan kueri dan pengidentifikasi dokumen.

• Di-cache otomatis ( dokumentasi ): Tidak

• Struktur fitur :

FeaturesDict({
    'doc_id': Tensor(shape=(None,), dtype=int64),
    'float_features': Tensor(shape=(None, 136), dtype=float64),
    'label': Tensor(shape=(None,), dtype=float64),
    'query_id': Text(shape=(), dtype=string),
})

• Dokumentasi fitur :

Fitur	Kelas	Membentuk	Dtype	Keterangan
	fiturDict
doc_id	Tensor	(Tidak ada,)	int64
float_features	Tensor	(Tidak ada, 136)	float64
label	Tensor	(Tidak ada,)	float64
query_id	Teks		rangkaian

• Kunci yang diawasi (Lihat as_supervised doc ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Kutipan :

@article{DBLP:journals/corr/QinL13,
  author    = {Tao Qin and Tie{-}Yan Liu},
  title     = {Introducing {LETOR} 4.0 Datasets},
  journal   = {CoRR},
  volume    = {abs/1306.2597},
  year      = {2013},
  url       = {http://arxiv.org/abs/1306.2597},
  timestamp = {Mon, 01 Jul 2013 20:31:25 +0200},
  biburl    = {http://dblp.uni-trier.de/rec/bib/journals/corr/QinL13},
  bibsource = {dblp computer science bibliography, http://dblp.org}
}

mslr_web/10k_fold1 (konfigurasi default)

• Ukuran unduhan : 1.15 GiB

• Ukuran dataset : 310.08 MiB

• Perpecahan :

Membelah	Contoh
'test'	2.000
'train'	6.000
'vali'	2.000

• Contoh ( tfds.as_dataframe ):

mslr_web/10k_fold2

• Ukuran unduhan : 1.15 GiB

• Ukuran dataset : 310.08 MiB

• Perpecahan :

Membelah	Contoh
'test'	2.000
'train'	6.000
'vali'	2.000

• Contoh ( tfds.as_dataframe ):

mslr_web/10k_fold3

• Ukuran unduhan : 1.15 GiB

• Ukuran dataset : 310.08 MiB

• Perpecahan :

Membelah	Contoh
'test'	2.000
'train'	6.000
'vali'	2.000

• Contoh ( tfds.as_dataframe ):

mslr_web/10k_fold4

• Ukuran unduhan : 1.15 GiB

• Ukuran dataset : 310.08 MiB

• Perpecahan :

Membelah	Contoh
'test'	2.000
'train'	6.000
'vali'	2.000

• Contoh ( tfds.as_dataframe ):

mslr_web/10k_fold5

• Ukuran unduhan : 1.15 GiB

• Ukuran dataset : 310.08 MiB

• Perpecahan :

Membelah	Contoh
'test'	2.000
'train'	6.000
'vali'	2.000

• Contoh ( tfds.as_dataframe ):

mslr_web/30k_fold1

• Ukuran unduhan : 3.59 GiB

• Ukuran dataset : 964.09 MiB

• Perpecahan :

Membelah	Contoh
'test'	6.306
'train'	18.919
'vali'	6.306

• Contoh ( tfds.as_dataframe ):

mslr_web/30k_fold2

• Ukuran unduhan : 3.59 GiB

• Ukuran dataset : 964.09 MiB

• Perpecahan :

Membelah	Contoh
'test'	6.307
'train'	18.918
'vali'	6.306

• Contoh ( tfds.as_dataframe ):

mslr_web/30k_fold3

• Ukuran unduhan : 3.59 GiB

• Ukuran dataset : 964.09 MiB

• Perpecahan :

Membelah	Contoh
'test'	6.306
'train'	18.918
'vali'	6.307

• Contoh ( tfds.as_dataframe ):

mslr_web/30k_fold4

• Ukuran unduhan : 3.59 GiB

• Ukuran dataset : 964.09 MiB

• Perpecahan :

Membelah	Contoh
'test'	6.306
'train'	18.919
'vali'	6.306

• Contoh ( tfds.as_dataframe ):

mslr_web/30k_fold5

• Ukuran unduhan : 3.59 GiB

• Ukuran dataset : 964.09 MiB

• Perpecahan :

Membelah	Contoh
'test'	6.306
'train'	18.919
'vali'	6.306

• Contoh ( tfds.as_dataframe ):