e2e_cleaned

• विवरण :

साफ़ एमआर के साथ E2E NLG चैलेंज डेटा का अपडेट रिलीज़। E2E डेटा में रेस्तरां डोमेन में संवाद अधिनियम-आधारित अर्थ प्रतिनिधित्व (MR) और प्राकृतिक भाषा में अधिकतम 5 संदर्भ शामिल हैं, जिसकी भविष्यवाणी करने की आवश्यकता है।

• अतिरिक्त दस्तावेज़ीकरण : north_east कोड वाले पेपर्स पर एक्सप्लोर करें

• होमपेज : https://github.com/tuetschek/e2e-cleaning

• स्रोत कोड : tfds.datasets.e2e_cleaned.Builder

• संस्करण :

  • 0.1.0 (डिफ़ॉल्ट): कोई रिलीज़ नोट नहीं।

• डाउनलोड आकार : 13.92 MiB

• डेटासेट का आकार : 14.70 MiB

• ऑटो-कैश्ड ( दस्तावेज़ीकरण ): हाँ

• विभाजन :

• फ़ीचर संरचना :

FeaturesDict({
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
        }),
    }),
    'target_text': string,
})

• फ़ीचर दस्तावेज़ीकरण :

• पर्यवेक्षित कुंजी ( as_supervised दस्तावेज़ देखें): ('input_text', 'target_text')

• चित्र ( tfds.show_examples ): समर्थित नहीं है।

• उदाहरण ( tfds.as_dataframe ):

• उद्धरण :

@inproceedings{dusek-etal-2019-semantic,
    title = "Semantic Noise Matters for Neural Natural Language Generation",
    author = "Du{\v{s} }ek, Ond{\v{r} }ej  and
      Howcroft, David M.  and
      Rieser, Verena",
    booktitle = "Proceedings of the 12th International Conference on Natural Language Generation",
    month = oct # "{--}" # nov,
    year = "2019",
    address = "Tokyo, Japan",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/W19-8652",
    doi = "10.18653/v1/W19-8652",
    pages = "421--426",
    abstract = "Neural natural language generation (NNLG) systems are known for their pathological outputs, i.e. generating text which is unrelated to the input specification. In this paper, we show the impact of semantic noise on state-of-the-art NNLG models which implement different semantic control mechanisms. We find that cleaned data can improve semantic correctness by up to 97{\%}, while maintaining fluency. We also find that the most common error is omitting information, rather than hallucination.",
}