istella

• Descriptif :

Les ensembles de données Istella sont trois ensembles de données Learning-to-Rank à grande échelle publiés par Istella. Chaque ensemble de données se compose de paires requête-document représentées sous forme de vecteurs de caractéristiques et d'étiquettes de jugement de pertinence correspondantes.

L'ensemble de données contient trois versions :

• main ("Istella LETOR") : contenant 10 454 629 paires requête-document.
• s ("Istella-S LETOR") : contenant 3 408 630 paires requête-document.
• x ("Istella-X LETOR") : contenant 26 791 447 paires requête-document.

Vous pouvez spécifier si vous souhaitez utiliser la version main , s ou x du jeu de données comme suit :

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

Si seul istella est spécifié, l'option istella/main est sélectionnée par défaut :

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

• Page d' accueil : http://quickrank.isti.cnr.it/istella-dataset/

• Code source : tfds.ranking.istella.Istella

• Versions :

  • 1.0.0 : Version initiale.
  • 1.0.1 : Correction de la sérialisation pour supporter float64.
  • 1.1.0 : Regroupez les fonctionnalités dans une seule fonctionnalité 'float_features'.
  • 1.2.0 (par défaut) : ajouter des identifiants de requête et de document.

• Mise en cache automatique ( documentation ): Non

• Structure des fonctionnalités :

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),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Citation :

@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},
}

istella/main (configuration par défaut)

• Taille du téléchargement : 1.20 GiB

• Taille du jeu de données : 1.12 GiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):

istella/s

• Taille du téléchargement : 450.26 MiB

• Taille du jeu de données : 421.88 MiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):

isla/x

• Taille du téléchargement : 4.42 GiB

• Taille du jeu de données : 2.46 GiB

• Fractionnements :

• Exemples ( tfds.as_dataframe ):