уронить

• Описание :

Поскольку производительность системы в существующих тестах понимания прочитанного приближается или превосходит производительность человека, нам нужен новый жесткий набор данных, который улучшит возможности систем для фактического чтения абзацев текста. DROP — это созданный краудсорсингом тест из 96 тысяч вопросов, в котором система должна разрешать ссылки в вопросе, возможно, на несколько входных позиций, и выполнять над ними дискретные операции (такие как сложение, подсчет или сортировка). Эти операции требуют гораздо более полного понимания содержания абзацев, чем это было необходимо для предыдущих наборов данных.

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://allennlp.org/drop

• Исходный код : tfds.text.drop.Drop

• Версии :

  • 1.0.0 : Первоначальный выпуск.
  • 2.0.0 (по умолчанию): добавить все варианты ответов.

• Размер загрузки : 7.92 MiB

• Размер набора данных : 116.24 MiB .

• Автоматическое кэширование ( документация ): Да

• Сплиты :

• Структура функции :

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)),
})

• Документация по функциям :

• Ключи под наблюдением (см . документ as_supervised ): None

• Рисунок ( tfds.show_examples ): не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Цитата :

@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}
}