- الوصف :
مجموعة البيانات التشيكية لتحويل البيانات إلى نص في مجال المطعم. تحتوي تمثيلات المعنى المدخلة على نوع إجراء حوار (إبلاغ ، تأكيد ، إلخ) ، وفتحات (طعام ، منطقة ، إلخ) وقيمها. نشأت كترجمة لمجموعة بيانات مطاعم سان فرانسيسكو الإنجليزية بواسطة Wen et al. (2015).
الصفحة الرئيسية : https://github.com/UFAL-DSG/cs2000_dataset
كود المصدر :
tfds.structured.cs_restaurants.CSRestaurants
إصدارات :
-
1.0.0
(افتراضي): لا توجد ملاحظات حول الإصدار.
-
حجم التحميل :
1.40 MiB
حجم مجموعة البيانات :
2.46 MiB
التخزين المؤقت التلقائي ( الوثائق ): نعم
الانقسامات :
انشق، مزق | أمثلة |
---|---|
'test' | 842 |
'train' | 3569 |
'validation' | 781 |
- هيكل الميزة :
FeaturesDict({
'delex_input_text': FeaturesDict({
'table': Sequence({
'column_header': string,
'content': string,
'row_number': int16,
}),
}),
'delex_target_text': string,
'input_text': FeaturesDict({
'table': Sequence({
'column_header': string,
'content': string,
'row_number': int16,
}),
}),
'target_text': string,
})
- وثائق الميزة :
ميزة | فصل | شكل | نوع | وصف |
---|---|---|---|---|
الميزات | ||||
delex_input_text | الميزات | |||
delex_input_text / جدول | تسلسل | |||
delex_input_text / table / column_header | موتر | سلسلة | ||
delex_input_text / جدول / محتوى | موتر | سلسلة | ||
delex_input_text / table / row_number | موتر | int16 | ||
delex_target_text | موتر | سلسلة | ||
أدخل نصآ | الميزات | |||
input_text / الجدول | تسلسل | |||
input_text / table / column_header. إدخال / نص / جدول / عمود | موتر | سلسلة | ||
input_text / جدول / محتوى | موتر | سلسلة | ||
input_text / table / row_number | موتر | int16 | ||
target_text | موتر | سلسلة |
المفاتيح الخاضعة للإشراف (راجع المستند
as_supervised
):('input_text', 'target_text')
الشكل ( tfds.show_examples ): غير مدعوم.
أمثلة ( tfds.as_dataframe ):
- الاقتباس :
@inproceedings{dusek_neural_2019,
author = {Dušek, Ondřej and Jurčíček, Filip},
title = {Neural {Generation} for {Czech}: {Data} and {Baselines} },
shorttitle = {Neural {Generation} for {Czech} },
url = {https://www.aclweb.org/anthology/W19-8670/},
urldate = {2019-10-18},
booktitle = {Proceedings of the 12th {International} {Conference} on {Natural} {Language} {Generation} ({INLG} 2019)},
month = oct,
address = {Tokyo, Japan},
year = {2019},
pages = {563--574},
abstract = {We present the first dataset targeted at end-to-end NLG in Czech in the restaurant domain, along with several strong baseline models using the sequence-to-sequence approach. While non-English NLG is under-explored in general, Czech, as a morphologically rich language, makes the task even harder: Since Czech requires inflecting named entities, delexicalization or copy mechanisms do not work out-of-the-box and lexicalizing the generated outputs is non-trivial. In our experiments, we present two different approaches to this this problem: (1) using a neural language model to select the correct inflected form while lexicalizing, (2) a two-step generation setup: our sequence-to-sequence model generates an interleaved sequence of lemmas and morphological tags, which are then inflected by a morphological generator.},
}