istella

• Descripción :

Los conjuntos de datos de Istella son tres conjuntos de datos de aprendizaje para clasificar a gran escala publicados por Istella. Cada conjunto de datos consta de pares de consulta-documento representados como vectores de características y etiquetas de juicio de relevancia correspondientes.

El conjunto de datos contiene tres versiones:

• main ("Istella LETOR"): Contiene 10.454.629 pares de consulta-documento.
• s ("Istella-S LETOR"): Contiene 3.408.630 pares consulta-documento.
• x ("Istella-X LETOR"): Contiene 26.791.447 pares consulta-documento.

Puede especificar si usar la versión main , s o x del conjunto de datos de la siguiente manera:

ds = tfds.load("istella/main")
ds = tfds.load("istella/s")
ds = tfds.load("istella/x")

Si solo se especifica istella , la opción istella/main se selecciona de forma predeterminada:

# This is the same as `tfds.load("istella/main")`
ds = tfds.load("istella")

• Página de inicio: http://quickrank.isti.cnr.it/istella-dataset/

• Código fuente : tfds.ranking.istella.Istella

• Versiones :

  • 1.0.0 : Versión inicial.
  • 1.0.1 : corrige la serialización para admitir float64.
  • 1.1.0 : Agrupe funciones en una sola función 'float_features'.
  • 1.2.0 (predeterminado): agregue identificadores de consultas y documentos.

• Almacenamiento automático en caché ( documentación ): No

• Estructura de características :

FeaturesDict({
    'doc_id': Tensor(shape=(None,), dtype=int64),
    'float_features': Tensor(shape=(None, 220), dtype=float64),
    'label': Tensor(shape=(None,), dtype=float64),
    'query_id': Text(shape=(), dtype=string),
})

• Documentación de características :

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Cita :

@article{10.1145/2987380,
  author = {Dato, Domenico and Lucchese, Claudio and Nardini, Franco Maria and Orlando, Salvatore and Perego, Raffaele and Tonellotto, Nicola and Venturini, Rossano},
  title = {Fast Ranking with Additive Ensembles of Oblivious and Non-Oblivious Regression Trees},
  year = {2016},
  publisher = {ACM},
  address = {New York, NY, USA},
  volume = {35},
  number = {2},
  issn = {1046-8188},
  url = {https://doi.org/10.1145/2987380},
  doi = {10.1145/2987380},
  journal = {ACM Transactions on Information Systems},
  articleno = {15},
  numpages = {31},
}

isstella/main (configuración predeterminada)

• Tamaño de descarga : 1.20 GiB

• Tamaño del conjunto de datos : 1.12 GiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):

istel/s

• Tamaño de la descarga : 450.26 MiB

• Tamaño del conjunto de datos : 421.88 MiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):

istella/x

• Tamaño de descarga : 4.42 GiB

• Tamaño del conjunto de datos : 2.46 GiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):

• Descripción :

Los conjuntos de datos de Istella son tres conjuntos de datos de aprendizaje para clasificar a gran escala publicados por Istella. Cada conjunto de datos consta de pares de consulta-documento representados como vectores de características y etiquetas de juicio de relevancia correspondientes.

El conjunto de datos contiene tres versiones:

• main ("Istella LETOR"): Contiene 10.454.629 pares de consulta-documento.
• s ("Istella-S LETOR"): Contiene 3.408.630 pares consulta-documento.
• x ("Istella-X LETOR"): Contiene 26.791.447 pares consulta-documento.

Puede especificar si usar la versión main , s o x del conjunto de datos de la siguiente manera:

ds = tfds.load("istella/main")
ds = tfds.load("istella/s")
ds = tfds.load("istella/x")

Si solo se especifica istella , la opción istella/main se selecciona de forma predeterminada:

# This is the same as `tfds.load("istella/main")`
ds = tfds.load("istella")

• Página de inicio: http://quickrank.isti.cnr.it/istella-dataset/

• Código fuente : tfds.ranking.istella.Istella

• Versiones :

  • 1.0.0 : Versión inicial.
  • 1.0.1 : corrige la serialización para admitir float64.
  • 1.1.0 : Agrupe funciones en una sola función 'float_features'.
  • 1.2.0 (predeterminado): agregue identificadores de consultas y documentos.

• Almacenamiento automático en caché ( documentación ): No

• Estructura de características :

FeaturesDict({
    'doc_id': Tensor(shape=(None,), dtype=int64),
    'float_features': Tensor(shape=(None, 220), dtype=float64),
    'label': Tensor(shape=(None,), dtype=float64),
    'query_id': Text(shape=(), dtype=string),
})

• Documentación de características :

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Cita :

@article{10.1145/2987380,
  author = {Dato, Domenico and Lucchese, Claudio and Nardini, Franco Maria and Orlando, Salvatore and Perego, Raffaele and Tonellotto, Nicola and Venturini, Rossano},
  title = {Fast Ranking with Additive Ensembles of Oblivious and Non-Oblivious Regression Trees},
  year = {2016},
  publisher = {ACM},
  address = {New York, NY, USA},
  volume = {35},
  number = {2},
  issn = {1046-8188},
  url = {https://doi.org/10.1145/2987380},
  doi = {10.1145/2987380},
  journal = {ACM Transactions on Information Systems},
  articleno = {15},
  numpages = {31},
}

isstella/main (configuración predeterminada)

• Tamaño de descarga : 1.20 GiB

• Tamaño del conjunto de datos : 1.12 GiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):

istel/s

• Tamaño de la descarga : 450.26 MiB

• Tamaño del conjunto de datos : 421.88 MiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):

istella/x

• Tamaño de descarga : 4.42 GiB

• Tamaño del conjunto de datos : 2.46 GiB

• Divisiones :

• Ejemplos ( tfds.as_dataframe ):