דֶבֶק

• תיאור :

GLUE, מדד הבנת השפה הכללית ( https://gluebenchmark.com/ ) הוא אוסף של משאבים להדרכה, הערכה וניתוח של מערכות הבנת שפה טבעית.

• תיעוד נוסף : חקור על ניירות עם קוד north_east

• קוד מקור : tfds.text.Glue

• גרסאות :

  • 1.0.0 : API חדש מפוצל ( https://tensorflow.org/datasets/splits )
  • 1.0.1 : עדכן קישורי כתובת אתר מתים.
  • 2.0.0 (ברירת מחדל): עדכון מקור נתונים עבור glue/qqp.

• שמור אוטומטי במטמון ( תיעוד ): כן

• מפתחות בפיקוח (ראה as_supervised doc ): None

• איור ( tfds.show_examples ): לא נתמך.

דבק/קולה (תצורת ברירת המחדל)

• תיאור תצורה : קורפוס המקובלות הלשונית מורכב מפסקי קבילות באנגלית שנלקחו מספרים ומאמרי כתב עת על תיאוריה לשונית. כל דוגמה היא רצף של מילים עם הערות אם זה משפט באנגלית דקדוקי.

• דף הבית : https://nyu-mll.github.io/CoLA/

• גודל הורדה : 368.14 KiB

• גודל מערך נתונים : 965.49 KiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'sentence': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@article{warstadt2018neural,
  title={Neural Network Acceptability Judgments},
  author={Warstadt, Alex and Singh, Amanpreet and Bowman, Samuel R},
  journal={arXiv preprint arXiv:1805.12471},
  year={2018}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/sst2

• תיאור תצורה : The Stanford Sentiment Treebank מורכב ממשפטים מביקורות סרטים והערות אנושיות לרגשותיהם. המשימה היא לחזות את הסנטימנט של משפט נתון. אנו משתמשים בפיצול המחלקה הדו-כיווני (חיובי/שלילי), ומשתמשים רק בתוויות ברמת המשפט.

• דף הבית : https://nlp.stanford.edu/sentiment/index.html

• גודל הורדה : 7.09 MiB

• גודל מערך נתונים : 7.22 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'sentence': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{socher2013recursive,
  title={Recursive deep models for semantic compositionality over a sentiment treebank},
  author={Socher, Richard and Perelygin, Alex and Wu, Jean and Chuang, Jason and Manning, Christopher D and Ng, Andrew and Potts, Christopher},
  booktitle={Proceedings of the 2013 conference on empirical methods in natural language processing},
  pages={1631--1642},
  year={2013}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/mrpc

• תיאור תצורה : קורפוס ה-Microsoft Research Paraphrase (Dolan & Brockett, 2005) הוא קורפוס של צמדי משפטים המופקים אוטומטית ממקורות חדשות מקוונים, עם הערות אנושיות לגבי השאלה אם המשפטים בצמד שווים מבחינה סמנטית.

• דף הבית : https://www.microsoft.com/en-us/download/details.aspx?id=52398

• גודל הורדה : 1.43 MiB

• גודל מערך נתונים : 1.74 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=string),
    'sentence2': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{dolan2005automatically,
  title={Automatically constructing a corpus of sentential paraphrases},
  author={Dolan, William B and Brockett, Chris},
  booktitle={Proceedings of the Third International Workshop on Paraphrasing (IWP2005)},
  year={2005}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/qqp

• תיאור תצורה : מערך הנתונים Quora Question Pairs2 הוא אוסף של צמדי שאלות מאתר תשובות השאלות של הקהילה Quora. המשימה היא לקבוע אם צמד שאלות מקבילות מבחינה סמנטית.

• דף הבית : https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

• גודל הורדה : 39.76 MiB

• גודל מערך נתונים : 150.37 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'question1': Text(shape=(), dtype=string),
    'question2': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@online{WinNT,
  author = {Iyer, Shankar and Dandekar, Nikhil and Csernai, Kornel},
  title = {First Quora Dataset Release: Question Pairs},
  year = 2017,
  url = {https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs},
  urldate = {2019-04-03}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/סטסב

• תיאור תצורה : מדד הדמיון הטקסטואלי הסמנטי (Cer et al., 2017) הוא אוסף של צמדי משפטים שנלקחו מכותרות חדשות, כתוביות וידאו ותמונה ונתוני הסקת מסקנות בשפה טבעית. לכל זוג יש הערות אנושיות עם ציון דמיון בין 0 ל-5.

• דף הבית : http://ixa2.si.ehu.es/stswiki/index.php/STSbenchmark

• גודל הורדה : 784.05 KiB

• גודל מערך נתונים : 1.58 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': float32,
    'sentence1': Text(shape=(), dtype=string),
    'sentence2': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@article{cer2017semeval,
  title={Semeval-2017 task 1: Semantic textual similarity-multilingual and cross-lingual focused evaluation},
  author={Cer, Daniel and Diab, Mona and Agirre, Eneko and Lopez-Gazpio, Inigo and Specia, Lucia},
  journal={arXiv preprint arXiv:1708.00055},
  year={2017}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/מנלי

• תיאור תצורה : Corpus Natural Language Natural Inference Corpus הוא אוסף של צמדי משפטים במקור המונים עם הערות טקסטואליות. בהינתן משפט הנחת יסוד ומשפט השערה, המשימה היא לחזות האם הנחת היסוד טומנת בחובה את ההשערה (השתמעות), סותרת את ההשערה (סתירה), או אף אחת מהן (נייטרלית). משפטי ההנחה נאספים מעשרה מקורות שונים, כולל דיבור מתומלל, בדיוני ודוחות ממשלתיים. אנו משתמשים בערכת הבדיקות הסטנדרטית, שעבורה השגנו מותגים פרטיים מהמחברים, ומבצעים הערכה הן בסעיף המותאם (בתחום) והן בסעיף הבלתי מותאם (חוצה דומיינים). אנו גם משתמשים וממליצים על קורפוס SNLI כדוגמאות של 550,000 לנתוני אימון עזר.

• דף הבית : http://www.nyu.edu/projects/bowman/multinli/

• גודל הורדה : 298.29 MiB

• גודל מערך נתונים : 100.56 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'hypothesis': Text(shape=(), dtype=string),
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'premise': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

glue/mnli_mismatched

• תיאור תצורה : האימות והבדיקה לא תואמים מתפצלים מ-MNLI. עיין ב-"mnli" BuilderConfig למידע נוסף.

• דף הבית : http://www.nyu.edu/projects/bowman/multinli/

• גודל הורדה : 298.29 MiB

• גודל מערך נתונים : 4.79 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'hypothesis': Text(shape=(), dtype=string),
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'premise': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

glue/mnli_matched

• תיאור תצורה : האימות והבדיקה התואמים מתפצלים מ-MNLI. עיין ב-"mnli" BuilderConfig למידע נוסף.

• דף הבית : http://www.nyu.edu/projects/bowman/multinli/

• גודל הורדה : 298.29 MiB

• גודל ערכת נתונים : 4.58 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'hypothesis': Text(shape=(), dtype=string),
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'premise': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/qnli

• תיאור תצורה : מערך הנתונים לתשובות לשאלות של סטנפורד הוא מערך תשובות לשאלות המורכב מצמדי שאלה-פסקה, כאשר אחד המשפטים בפסקה (שאוב מוויקיפדיה) מכיל את התשובה לשאלה המקבילה (שנכתבה על ידי מציין). אנו ממירים את המשימה לסיווג צמד משפטים על ידי יצירת זוג בין כל שאלה לכל משפט בהקשר המתאים, וסינון זוגות עם חפיפה מילונית נמוכה בין השאלה למשפט ההקשר. המשימה היא לקבוע אם משפט ההקשר מכיל את התשובה לשאלה. גרסה שונה זו של המשימה המקורית מסירה את הדרישה שהמודל יבחר את התשובה המדויקת, אך גם מסירה את ההנחות המפשטות שהתשובה קיימת תמיד בקלט ושחפיפה מילונית היא רמז אמין.

• דף הבית : https://rajpurkar.github.io/SQuAD-explorer/

• גודל הורדה : 10.14 MiB

• גודל ערכת נתונים : 32.99 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'question': Text(shape=(), dtype=string),
    'sentence': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@article{rajpurkar2016squad,
  title={Squad: 100,000+ questions for machine comprehension of text},
  author={Rajpurkar, Pranav and Zhang, Jian and Lopyrev, Konstantin and Liang, Percy},
  journal={arXiv preprint arXiv:1606.05250},
  year={2016}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/rte

• תיאור תצורה : מערכי הנתונים של Recognizing Textual Entailment (RTE) מגיעים מסדרה של אתגרים שנתיים של השתלבות טקסטואלית. אנו משלבים את הנתונים מ-RTE1 (Dagan et al., 2006), RTE2 (Bar Haim et al., 2006), RTE3 (Giampiccolo et al., 2007) ו-RTE5 (Bentivogli et al., 2009).4 דוגמאות לכך הן נבנה על סמך חדשות וטקסט בוויקיפדיה. אנו ממירים את כל מערכי הנתונים לפיצול של שתי מחלקות, כאשר עבור מערכי נתונים של שלוש מחלקות אנו מכווצים נייטרלי וסתירה לכדי אי-הכרה, לצורך עקביות.

• דף הבית : https://aclweb.org/aclwiki/Recognizing_Textual_Entailment

• גודל הורדה : 680.81 KiB

• גודל ערכת נתונים : 2.15 MiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=string),
    'sentence2': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{dagan2005pascal,
  title={The PASCAL recognising textual entailment challenge},
  author={Dagan, Ido and Glickman, Oren and Magnini, Bernardo},
  booktitle={Machine Learning Challenges Workshop},
  pages={177--190},
  year={2005},
  organization={Springer}
}
@inproceedings{bar2006second,
  title={The second pascal recognising textual entailment challenge},
  author={Bar-Haim, Roy and Dagan, Ido and Dolan, Bill and Ferro, Lisa and Giampiccolo, Danilo and Magnini, Bernardo and Szpektor, Idan},
  booktitle={Proceedings of the second PASCAL challenges workshop on recognising textual entailment},
  volume={6},
  number={1},
  pages={6--4},
  year={2006},
  organization={Venice}
}
@inproceedings{giampiccolo2007third,
  title={The third pascal recognizing textual entailment challenge},
  author={Giampiccolo, Danilo and Magnini, Bernardo and Dagan, Ido and Dolan, Bill},
  booktitle={Proceedings of the ACL-PASCAL workshop on textual entailment and paraphrasing},
  pages={1--9},
  year={2007},
  organization={Association for Computational Linguistics}
}
@inproceedings{bentivogli2009fifth,
  title={The Fifth PASCAL Recognizing Textual Entailment Challenge.},
  author={Bentivogli, Luisa and Clark, Peter and Dagan, Ido and Giampiccolo, Danilo},
  booktitle={TAC},
  year={2009}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/wnli

• תיאור תצורה : אתגר הסכמה של וינוגרד (Levesque et al., 2011) הוא משימת הבנת הנקרא שבה מערכת חייבת לקרוא משפט עם כינוי ולבחור את ההתייחסות של אותו כינוי מתוך רשימה של אפשרויות. הדוגמאות בנויות באופן ידני כדי לסכל שיטות סטטיסטיות פשוטות: כל אחת מהן מותנית במידע הקשרי המסופק על ידי מילה או ביטוי בודדים במשפט. כדי להמיר את הבעיה לסיווג של צמד משפטים, אנו בונים צמדי משפטים על ידי החלפת הכינוי המעורפל בכל רפרנט אפשרי. המשימה היא לחזות אם המשפט עם הכינוי מוחלף כרוך במשפט המקורי. אנו משתמשים בערכת הערכה קטנה המורכבת מדוגמאות חדשות הנגזרות מספרי בדיוני שחולקו באופן פרטי על ידי מחברי הקורפוס המקורי. בעוד מערך האימונים הכלול מאוזן בין שני כיתות, מערך המבחנים אינו מאוזן ביניהם (65% ללא השתתפות). כמו כן, עקב מוזרות נתונים, מערך הפיתוח הוא אדוורסרי: השערות חולקות לפעמים בין דוגמאות אימון ופיתוח, כך שאם מודל משנן את דוגמאות האימון, הם יבאו את התווית השגויה בדוגמה של מערך הפיתוח המקביל. כמו ב-QNLI, כל דוגמה מוערכת בנפרד, כך שאין התאמה שיטתית בין ציון המודל במשימה זו לבין הציון שלו במשימה המקורית שלא הומרה. אנו קוראים למערך הנתונים המרה WNLI (Winograd NLI).

• דף הבית : https://cs.nyu.edu/faculty/davise/papers/WinogradSchemas/WS.html

• גודל הורדה : 28.32 KiB

• גודל מערך נתונים : 198.88 KiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=string),
    'sentence2': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{levesque2012winograd,
  title={The winograd schema challenge},
  author={Levesque, Hector and Davis, Ernest and Morgenstern, Leora},
  booktitle={Thirteenth International Conference on the Principles of Knowledge Representation and Reasoning},
  year={2012}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

דבק/גרזן

• תיאור תצורה : מערך הערכה שנקבע באופן ידני לניתוח דק של ביצועי מערכת במגוון רחב של תופעות לשוניות. מערך נתונים זה מעריך הבנת משפטים באמצעות בעיות של Natural Language Inference (NLI). השתמש במודל מאומן על MulitNLI כדי לייצר תחזיות עבור מערך הנתונים הזה.

• דף הבית : https://gluebenchmark.com/diagnostics

• גודל הורדה : 217.05 KiB

• גודל מערך נתונים : 299.16 KiB

• פיצולים :

• מבנה תכונה :

FeaturesDict({
    'hypothesis': Text(shape=(), dtype=string),
    'idx': int32,
    'label': ClassLabel(shape=(), dtype=int64, num_classes=3),
    'premise': Text(shape=(), dtype=string),
})

• תיעוד תכונה :

• דוגמאות ( tfds.as_dataframe ):

• ציטוט :

@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.