• Mô tả :

Bộ dữ liệu chuyển dữ liệu thành văn bản của Séc trong miền nhà hàng. Các biểu thị ý nghĩa đầu vào chứa một loại hành động đối thoại (thông báo, xác nhận, v.v.), các vị trí (thực phẩm, khu vực, v.v.) và các giá trị của chúng. Nó có nguồn gốc là bản dịch của bộ dữ liệu Nhà hàng San Francisco bằng tiếng Anh của Wen et al. (2015).

Tách ra ví dụ
'test' 842
'train' 3,569
'validation' 781
  • Cấu trúc tính năng :
    'delex_input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
    'delex_target_text': string,
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
    'target_text': string,
  • Tài liệu tính năng :
Tính năng Lớp Hình dạng Dtype Sự mô tả
Tính năngDict
delex_input_text Tính năngDict
delex_input_text/bảng Sự phối hợp
delex_input_text/table/column_header tenxơ sợi dây
delex_input_text/bảng/nội dung tenxơ sợi dây
delex_input_text/bảng/hàng_số tenxơ int16
delex_target_text tenxơ sợi dây
nhập ký tự Tính năngDict
input_text/bảng Sự phối hợp
input_text/table/column_header tenxơ sợi dây
input_text/bảng/nội dung tenxơ sợi dây
input_text/table/row_number tenxơ int16
văn bản đích tenxơ sợi dây
  • trích dẫn :
        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.},