upuszczać

• opis :

Ponieważ wydajność systemu w istniejących testach porównawczych czytania ze zrozumieniem jest bliska lub przewyższająca wydajność człowieka, potrzebujemy nowego, twardego zestawu danych, który poprawi możliwości systemów w zakresie rzeczywistego czytania akapitów tekstu. DROP to stworzony przez społeczność, tworzony przez przeciwników test porównawczy 96 000 pytań, w którym system musi rozwiązać odniesienia w pytaniu, być może do wielu pozycji wejściowych, i wykonać na nich dyskretne operacje (takie jak dodawanie, liczenie lub sortowanie). Operacje te wymagają znacznie bardziej wszechstronnego zrozumienia treści akapitów niż było to konieczne w przypadku poprzednich zestawów danych.

• Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na north_east

• Strona główna : https://allennlp.org/drop

• Kod źródłowy : tfds.text.drop.Drop

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 2.0.0 (domyślnie): Dodaj wszystkie opcje odpowiedzi.

• Rozmiar pliku do pobrania : 7.92 MiB

• Rozmiar zestawu danych : 116.24 MiB

• Automatyczne buforowanie ( dokumentacja ): Tak

• Podziały :

• Struktura funkcji :

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)),
})

• Dokumentacja funkcji :

• Klucze nadzorowane (Zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@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}
}