e2e_cleaned

• Açıklama :

Temizlenmiş MR'lerle E2E NLG Challenge verilerinin güncelleme sürümü. E2E verileri, restoran alanında diyalog eylemine dayalı anlam gösterimi (MR) ve doğal dilde 5 adede kadar referans içerir; bu, kişinin tahmin etmesi gereken şeydir.

• Ek Belgeler : north_east Belgeleri Keşfedin

• Ana Sayfa : https://github.com/tuetschek/e2e-cleaning

• Kaynak kodu : tfds.datasets.e2e_cleaned.Builder

• sürümler :

  • 0.1.0 (varsayılan): Sürüm notu yok.

• İndirme boyutu : 13.92 MiB

• Veri kümesi boyutu : 14.70 MiB

• Otomatik önbelleğe alınmış ( belgeleme ): Evet

• bölmeler :

• Özellik yapısı :

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

• Özellik belgeleri :

• Denetlenen anahtarlar (Bkz as_supervised doc ): ('input_text', 'target_text')

• Şekil ( tfds.show_examples ): Desteklenmiyor.

• Örnekler ( tfds.as_dataframe ):

• Alıntı :

@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.",
}