اتاق خبر

  • توضیحات :

NEWSROOM یک مجموعه داده بزرگ برای آموزش و ارزیابی سیستم های خلاصه سازی است. این شامل 1.3 میلیون مقاله و خلاصه نوشته شده توسط نویسندگان و سردبیران در اتاق خبر 38 نشریه بزرگ است.

ویژگی های مجموعه داده شامل:

  • متن: متن خبر را وارد کنید.
  • خلاصه: خلاصه برای اخبار.

و امکانات اضافی:

  • عنوان: عنوان خبر.
  • url: آدرس خبر.
  • تاریخ: تاریخ مقاله.
  • چگالی: چگالی استخراجی.
  • پوشش: پوشش استخراجی.
  • فشرده سازی: نسبت تراکم.
  • density_bin: کم، متوسط، زیاد.
  • coverage_bin: استخراجی، انتزاعی.
  • compression_bin: کم، متوسط، زیاد.

این مجموعه داده در صورت درخواست قابل دانلود است. تمام محتویات "train.jsonl, dev.jsonl, test.jsonl" را در پوشه tfds از حالت فشرده خارج کنید.

  • اسناد اضافی : کاوش در کاغذها با کد

  • صفحه اصلی : https://summari.es

  • کد منبع : tfds.datasets.newsroom.Builder

  • نسخه ها :

    • 1.0.0 (پیش فرض): بدون یادداشت انتشار.
  • اندازه دانلود : Unknown size

  • حجم مجموعه داده : 5.13 GiB

  • دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض به ~/tensorflow_datasets/downloads/manual/ ):
    شما باید مجموعه داده را از https://summari.es/download/ دانلود کنید. صفحه وب نیاز به ثبت نام دارد. لطفا پس از دانلود فایل های dev.jsonl، test.jsonl و train.jsonl را در manual_dir قرار دهید.

  • ذخیره خودکار ( اسناد ): خیر

  • تقسیمات :

شکاف مثال ها
'test' 108,862
'train' 995,041
'validation' 108,837
  • ساختار ویژگی :
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),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
فشرده سازی تانسور float32
compression_bin متن رشته
پوشش تانسور float32
پوشش_بین متن رشته
تاریخ متن رشته
تراکم تانسور float32
density_bin متن رشته
خلاصه متن رشته
متن متن رشته
عنوان متن رشته
آدرس اینترنتی متن رشته
  • نقل قول :
@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}
}