غرفة الأخبار

تحذير: التنزيل اليدوي مطلوب. انظر التعليمات أدناه.

• الوصف :

NEWSROOM هي مجموعة بيانات كبيرة للتدريب وتقييم أنظمة التلخيص. يحتوي على 1.3 مليون مقال وملخص كتبها مؤلفون ومحرّرون في غرف أخبار 38 مطبوعة رئيسية.

تتضمن ميزات مجموعة البيانات ما يلي:

• النص: إدخال نص الأخبار.
• الملخص: ملخص الخبر.

ومميزات إضافية:

• العنوان: عنوان الخبر.
• url: url الخاص بالأخبار.
• التاريخ: تاريخ المقال.
• الكثافة: الكثافة الاستخراجية.
• التغطية: تغطية استخلاصية.
• الضغط: نسبة الضغط.
• كثافة_بين: منخفض ، متوسط ​​، مرتفع.
• cover_bin: استخلاصي ، تجريدي.
• compression_bin: منخفض ، متوسط ​​، مرتفع.

يمكن تنزيل مجموعة البيانات هذه عند الطلب. قم بفك ضغط كافة المحتويات "train.jsonl ، dev.jsonl ، test.jsonl" إلى مجلد tfds.

• وثائق إضافية : استكشف في الأوراق باستخدام الرمز

• الصفحة الرئيسية https://summari.es

• كود المصدر : tfds.datasets.newsroom.Builder

• إصدارات :

  • 1.0.0 (افتراضي): لا توجد ملاحظات حول الإصدار.

• حجم التنزيل : Unknown size

• حجم مجموعة البيانات : 5.13 GiB

• إرشادات التنزيل اليدوي : تتطلب مجموعة البيانات هذه تنزيل بيانات المصدر يدويًا إلى download_config.manual_dir (الإعدادات الافتراضية على ~/tensorflow_datasets/downloads/manual/ ):
  يجب عليك تنزيل مجموعة البيانات من https://summari.es/download/ تتطلب صفحة الويب التسجيل. بعد التنزيل ، يرجى وضع ملفات dev.jsonl و test.jsonl و train.jsonl في manual_dir.

• التخزين المؤقت التلقائي ( التوثيق ): لا

• الانقسامات :

ينقسم	أمثلة
'test'	108862
'train'	995،041
'validation'	108837

• هيكل الميزة :

FeaturesDict({
    'compression': float32,
    'compression_bin': Text(shape=(), dtype=string),
    'coverage': float32,
    'coverage_bin': Text(shape=(), dtype=string),
    'date': Text(shape=(), dtype=string),
    'density': float32,
    'density_bin': Text(shape=(), dtype=string),
    'summary': Text(shape=(), dtype=string),
    'text': Text(shape=(), dtype=string),
    'title': Text(shape=(), dtype=string),
    'url': Text(shape=(), dtype=string),
})

• وثائق الميزة :

ميزة	فصل	شكل	نوع	وصف
	الميزات
ضغط	موتر		تعويم 32
compression_bin	نص		خيط
تغطية	موتر		تعويم 32
cover_bin	نص		خيط
تاريخ	نص		خيط
كثافة	موتر		تعويم 32
كثافة_بين	نص		خيط
ملخص	نص		خيط
نص	نص		خيط
عنوان	نص		خيط
عنوان url	نص		خيط

• المفاتيح الخاضعة للإشراف (راجع المستند as_supervised ): ('text', 'summary')

• الشكل ( tfds.show_examples ): غير مدعوم.

• أمثلة ( tfds.as_dataframe ):

• الاقتباس :

@article{Grusky_2018,
   title={Newsroom: A Dataset of 1.3 Million Summaries with Diverse Extractive Strategies},
   url={http://dx.doi.org/10.18653/v1/n18-1065},
   DOI={10.18653/v1/n18-1065},
   journal={Proceedings of the 2018 Conference of the North American Chapter of
          the Association for Computational Linguistics: Human Language
          Technologies, Volume 1 (Long Papers)},
   publisher={Association for Computational Linguistics},
   author={Grusky, Max and Naaman, Mor and Artzi, Yoav},
   year={2018}
}