- Описание :
Составлено 30 студентами одного из авторских курсов. Эти пары предложений охватывают самые разные темы: от реальных событий (например, план Ирана атаковать посла Саудовской Аравии в США) до событий / персонажей в фильмах (например, Бэтмен) и чисто воображаемых ситуаций, в значительной степени отражающих поп-культуру в восприятии американских детей. родился в начале 90-х гг. Каждый аннотированный пример занимает четыре строки: первая строка содержит предложение, вторая строка содержит целевое местоимение, третья строка содержит два кандидата антецедента, а четвертая строка содержит правильный антецедент. Если целевое местоимение встречается в предложении более одного раза, необходимо разрешить первое его появление.
Домашняя страница : http://www.hlt.utdallas.edu/~vince/data/emnlp12/
Исходный код :
tfds.text.DefinitePronounResolution
Версии :
-
1.1.0
(по умолчанию): без примечаний к выпуску.
-
Размер загрузки :
222.12 KiB
Размер набора данных :
334.22 KiB
Автоматическое кэширование ( документация ): Да
Сплит :
Трещина | Примеры |
---|---|
'test' | 564 |
'train' | 1,322 |
- Особенности :
FeaturesDict({
'candidates': Sequence(Text(shape=(), dtype=tf.string)),
'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
'pronoun': Text(shape=(), dtype=tf.string),
'sentence': Text(shape=(), dtype=tf.string),
})
Контролируемые ключи (см.
as_supervised
):('sentence', 'label')
Цитата :
@inproceedings{rahman2012resolving,
title={Resolving complex cases of definite pronouns: the winograd schema challenge},
author={Rahman, Altaf and Ng, Vincent},
booktitle={Proceedings of the 2012 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning},
pages={777--789},
year={2012},
organization={Association for Computational Linguistics}
}
Рисунок ( tfds.show_examples ): не поддерживается.
Примеры ( tfds.as_dataframe ):