- विवरण :
TyDi QA 204K प्रश्न-उत्तर जोड़े के साथ 11 विशिष्ट रूप से विविध भाषाओं को कवर करने वाला एक प्रश्न उत्तर डेटासेट है। TyDi QA की भाषाएं उनकी टाइपोलॉजी के संबंध में विविध हैं - भाषाई विशेषताओं का सेट जो प्रत्येक भाषा व्यक्त करती है - जैसे कि हम इस सेट पर अच्छा प्रदर्शन करने वाले मॉडल से दुनिया की बड़ी संख्या में भाषाओं को सामान्यीकृत करने की उम्मीद करते हैं। इसमें ऐसी भाषा घटनाएं शामिल हैं जो केवल अंग्रेजी कॉर्पोरा में नहीं मिलेंगी। एक यथार्थवादी सूचना-खोज कार्य प्रदान करने और प्रमुख प्रभावों से बचने के लिए, प्रश्न उन लोगों द्वारा लिखे जाते हैं जो उत्तर जानना चाहते हैं, लेकिन अभी तक उत्तर नहीं जानते हैं, (SQuAD और इसके वंशजों के विपरीत) और डेटा सीधे प्रत्येक भाषा में एकत्र किया जाता है अनुवाद के उपयोग के बिना (MLQA और XQuAD के विपरीत)।
प्रशिक्षण विभाजन:
'ट्रेन': यह मूल TyDi QA पेपर [ https://arxiv.org/abs/2003.05002 ] से गोल्डपी टास्क है जिसमें मूल-भाषा लेबल वाला प्रशिक्षण डेटा है।
'translate-train-*': ये विभाजन XTREME पेपर [ https://arxiv.org/abs/2003.11080 ] में अनुवाद-ट्रेन बेसलाइन में उपयोग की जाने वाली प्रत्येक लक्षित भाषा के लिए अंग्रेजी से स्वचालित अनुवाद हैं। यह उद्देश्यपूर्ण रूप से गैर-अंग्रेज़ी TyDiQA-GoldP प्रशिक्षण डेटा की उपेक्षा करता है ताकि ट्रांसफर लर्निंग परिदृश्य का अनुकरण किया जा सके जहां मूल-भाषा डेटा उपलब्ध नहीं है और सिस्टम बिल्डरों को लेबल किए गए अंग्रेजी डेटा और मौजूदा मशीन अनुवाद सिस्टम पर भरोसा करना चाहिए।
आमतौर पर, आपको या तो ट्रेन या ट्रांसलेट-ट्रेन स्प्लिट का उपयोग करना चाहिए, लेकिन दोनों का नहीं।
अतिरिक्त दस्तावेज़ीकरण : कोड वाले पेपर्स पर एक्सप्लोर करें
कॉन्फ़िगरेशन विवरण : गोल्ड पैसेज (GoldP) टास्क ( https://github.com/google-research-datasets/tydiqa/tree/master/gold_passage_baseline )।
मुखपृष्ठ : https://github.com/google-research-datasets/tydiqa
स्रोत कोड :
tfds.question_answering.TydiQAसंस्करण :
-
3.0.0(डिफ़ॉल्ट): ऐसे कई उदाहरणों की समस्या को ठीक करता है, जहाँ संदर्भ व्हाइट-स्पेस हटाने के कारण उत्तर विस्तार गलत संरेखित होते हैं। यह परिवर्तन लगभग 25% ट्रेन और विकास उदाहरणों को प्रभावित करता है।
-
डाउनलोड आकार :
121.30 MiBडेटासेट का आकार :
98.35 MiBऑटो-कैश्ड ( दस्तावेज़ीकरण ): हाँ
विभाजन :
| विभाजित करना | उदाहरण |
|---|---|
'train' | 49,881 |
'translate-train-ar' | 3,661 |
'translate-train-bn' | 3,585 |
'translate-train-fi' | 3,670 |
'translate-train-id' | 3,667 |
'translate-train-ko' | 3,607 |
'translate-train-ru' | 3,394 |
'translate-train-sw' | 3,622 |
'translate-train-te' | 3,658 |
'validation' | 5,077 |
'validation-ar' | 921 |
'validation-bn' | 113 |
'validation-en' | 440 |
'validation-fi' | 782 |
'validation-id' | 565 |
'validation-ko' | 276 |
'validation-ru' | 812 |
'validation-sw' | 499 |
'validation-te' | 669 |
- फ़ीचर संरचना :
FeaturesDict({
'answers': Sequence({
'answer_start': int32,
'text': Text(shape=(), dtype=string),
}),
'context': Text(shape=(), dtype=string),
'id': string,
'question': Text(shape=(), dtype=string),
'title': Text(shape=(), dtype=string),
})
- फ़ीचर दस्तावेज़ीकरण :
| विशेषता | कक्षा | आकार | डीटाइप | विवरण |
|---|---|---|---|---|
| विशेषताएं डिक्ट | ||||
| जवाब | क्रम | |||
| उत्तर/जवाब_शुरू | टेन्सर | int32 | ||
| उत्तर/पाठ | मूलपाठ | डोरी | ||
| संदर्भ | मूलपाठ | डोरी | ||
| पहचान | टेन्सर | डोरी | ||
| प्रश्न | मूलपाठ | डोरी | ||
| शीर्षक | मूलपाठ | डोरी |
पर्यवेक्षित कुंजियाँ (
as_superviseddoc देखें):Noneचित्र ( tfds.show_examples ): समर्थित नहीं है।
उदाहरण ( tfds.as_dataframe ):
- उद्धरण :
@article{tydiqa,
title = {TyDi QA: A Benchmark for Information-Seeking Question Answering in Typologically Diverse Languages},
author = {Jonathan H. Clark and Eunsol Choi and Michael Collins and Dan Garrette and Tom Kwiatkowski and Vitaly Nikolaev and Jennimaria Palomaki}
year = {2020},
journal = {Transactions of the Association for Computational Linguistics}
}