cs_restaurants

• Описание:

Чешский набор данных для преобразования текста в текст в ресторанном домене. Представления значений ввода содержат тип диалогового действия (сообщить, подтвердить и т. Д.), Слоты (еда, площадь и т. Д.) И их значения. Он возник как перевод набора данных английских ресторанов Сан-Франциско Веном и др. (2015).

• Домашняя страница: https://github.com/UFAL-DSG/cs_restaurant_dataset

• Исходный код: tfds.structured.cs_restaurants.CSRestaurants

• Версии:

  • 1.0.0 ( по умолчанию): Нет Замечания к выпуску.

• Скачать Размер: 1.40 MiB

• Dataset Размер: 2.46 MiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

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

• Контролируемые ключи (см as_supervised документ ): ('input_text', 'target_text')

• Рис ( tfds.show_examples ): Не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Образец цитирования:

@inproceedings{dusek_neural_2019,
        author = {Dušek, Ondřej and Jurčíček, Filip},
        title = {Neural {Generation} for {Czech}: {Data} and {Baselines} },
        shorttitle = {Neural {Generation} for {Czech} },
        url = {https://www.aclweb.org/anthology/W19-8670/},
        urldate = {2019-10-18},
        booktitle = {Proceedings of the 12th {International} {Conference} on {Natural} {Language} {Generation} ({INLG} 2019)},
        month = oct,
        address = {Tokyo, Japan},
        year = {2019},
        pages = {563--574},
        abstract = {We present the first dataset targeted at end-to-end NLG in Czech in the restaurant domain, along with several strong baseline models using the sequence-to-sequence approach. While non-English NLG is under-explored in general, Czech, as a morphologically rich language, makes the task even harder: Since Czech requires inflecting named entities, delexicalization or copy mechanisms do not work out-of-the-box and lexicalizing the generated outputs is non-trivial. In our experiments, we present two different approaches to this this problem: (1) using a neural language model to select the correct inflected form while lexicalizing, (2) a two-step generation setup: our sequence-to-sequence model generates an interleaved sequence of lemmas and morphological tags, which are then inflected by a morphological generator.},
}