far cadere

• Descrizione :

Con le prestazioni del sistema sui benchmark di comprensione della lettura esistenti che si avvicinano o superano le prestazioni umane, abbiamo bisogno di un nuovo set di dati che migliori le capacità dei sistemi di leggere effettivamente i paragrafi di testo. DROP è un benchmark di 96.000 domande in crowdsourcing, creato in modo contraddittorio, in cui un sistema deve risolvere i riferimenti in una domanda, forse a più posizioni di input, ed eseguire operazioni discrete su di esse (come addizione, conteggio o ordinamento). Queste operazioni richiedono una comprensione molto più completa del contenuto dei paragrafi rispetto a quanto era necessario per i set di dati precedenti.

• Documentazione aggiuntiva : Esplora documenti con codice north_east

• Homepage : https://allennlp.org/drop

• Codice sorgente : tfds.text.drop.Drop

• Versioni :

  • 1.0.0 : Versione iniziale.
  • 2.0.0 (impostazione predefinita): aggiungi tutte le opzioni per le risposte.

• Dimensione del download : 7.92 MiB

• Dimensione del set di dati: 116.24 MiB

• Auto-cache ( documentazione ): Sì

• Divisioni :

• Struttura delle caratteristiche :

FeaturesDict({
    'answer': Text(shape=(), dtype=string),
    'passage': Text(shape=(), dtype=string),
    'query_id': Text(shape=(), dtype=string),
    'question': Text(shape=(), dtype=string),
    'validated_answers': Sequence(Text(shape=(), dtype=string)),
})

• Documentazione delle funzionalità :

• Chiavi supervisionate (Vedi as_supervised doc ): None

• Figura ( tfds.show_examples ): non supportato.

• Esempi ( tfds.as_dataframe ):

• Citazione :

@inproceedings{Dua2019DROP,
  author={Dheeru Dua and Yizhong Wang and Pradeep Dasigi and Gabriel Stanovsky and Sameer Singh and Matt Gardner},
  title={  {DROP}: A Reading Comprehension Benchmark Requiring Discrete Reasoning Over Paragraphs},
  booktitle={Proc. of NAACL},
  year={2019}
}