cs_restaurants

• বর্ণনা :

রেস্টুরেন্ট ডোমেনে চেক ডেটা-টু-টেক্সট ডেটাসেট। ইনপুট অর্থ উপস্থাপনাগুলির মধ্যে একটি সংলাপ আইনের ধরন (অবহিত করা, নিশ্চিত করা ইত্যাদি), স্লট (খাদ্য, এলাকা, ইত্যাদি) এবং তাদের মান রয়েছে। এটি ওয়েন এট আল দ্বারা ইংরেজি সান ফ্রান্সিসকো রেস্তোঁরা ডেটাসেটের অনুবাদ হিসাবে উদ্ভূত হয়েছে। (2015)।

• হোমপেজ : https://github.com/UFAL-DSG/cs_restaurant_dataset

• উত্স কোড : tfds.structured.cs_restaurants.CSRestaurants

• সংস্করণ :

  • 1.0.0 (ডিফল্ট): কোনো রিলিজ নোট নেই।

• ডাউনলোড আকার : 1.40 MiB

• ডেটাসেটের আকার : 2.46 MiB

• স্বয়ংক্রিয় ক্যাশে ( ডকুমেন্টেশন ): হ্যাঁ

• বিভাজন :

• বৈশিষ্ট্য গঠন :

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,
})

• বৈশিষ্ট্য ডকুমেন্টেশন :

• তত্ত্বাবধান করা কী ( as_supervised ডক হিসেবে ): ('input_text', 'target_text')

• চিত্র ( tfds.show_examples ): সমর্থিত নয়।

• উদাহরণ ( tfds.as_dataframe ):

• উদ্ধৃতি :

@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.},
}