уронить

• Описание:

Поскольку производительность системы по существующим тестам понимания прочитанного приближается к производительности человека или превосходит ее, нам нужен новый, надежный набор данных, который улучшает возможности системы по фактическому чтению абзацев текста. DROP - это краудсорсинговый, созданный противоборствующий тест, состоящий из 96 тысяч вопросов, в котором система должна разрешать ссылки в вопросе, возможно, на несколько входных позиций, и выполнять над ними дискретные операции (такие как сложение, подсчет или сортировка). Эти операции требуют гораздо более полного понимания содержания абзацев, чем то, что было необходимо для предыдущих наборов данных.

• Домашняя страница: https://allennlp.org/drop

• Исходный код: tfds.text.drop.Drop

• Версии:

  • 1.0.0 : Первый выпуск.
  • 2.0.0 ( по умолчанию): Добавить все варианты ответов.

• Скачать Размер: 7.92 MiB

• Dataset Размер: 116.24 MiB

• Авто-кэшируются ( документация ): Да

• расколы:

• Особенности:

FeaturesDict({
    'answer': Text(shape=(), dtype=tf.string),
    'passage': Text(shape=(), dtype=tf.string),
    'query_id': Text(shape=(), dtype=tf.string),
    'question': Text(shape=(), dtype=tf.string),
    'validated_answers': Sequence(Text(shape=(), dtype=tf.string)),
})

• Контролируемые ключи (см as_supervised документ ): None

• Рис ( tfds.show_examples ): Не поддерживается.

• Примеры ( tfds.as_dataframe ):

• Образец цитирования:

@inproceedings{Dua2019DROP,
  author={Dheeru Dua and Yizhong Wang and Pradeep Dasigi and Gabriel Stanovsky and Sameer Singh and Matt Gardner},
  title={  {DROP}: A Reading Comprehension Benchmark Requiring Discrete Reasoning Over Paragraphs},
  booktitle={Proc. of NAACL},
  year={2019}
}