• विवरण :

साफ़ एमआर के साथ E2E NLG चैलेंज डेटा का अपडेट रिलीज़। E2E डेटा में रेस्तरां डोमेन में संवाद अधिनियम-आधारित अर्थ प्रतिनिधित्व (MR) और प्राकृतिक भाषा में अधिकतम 5 संदर्भ शामिल हैं, जिसकी भविष्यवाणी करने की आवश्यकता है।

विभाजित करना उदाहरण
'test' 4,693
'train' 33,525
'validation' 4,299
  • फ़ीचर संरचना :
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
    'target_text': string,
  • फ़ीचर दस्तावेज़ीकरण :
विशेषता कक्षा आकार डीटाइप विवरण
विशेषताएं डिक्ट
इनपुट टेक्स्ट विशेषताएं डिक्ट
इनपुट_टेक्स्ट/टेबल क्रम
input_text/टेबल/column_header टेन्सर डोरी
input_text/तालिका/सामग्री टेन्सर डोरी
इनपुट_टेक्स्ट/टेबल/पंक्ति_नंबर टेन्सर int16
target_text टेन्सर डोरी
  • उद्धरण :
    title = "Semantic Noise Matters for Neural Natural Language Generation",
    author = "Du{\v{s} }ek, Ond{\v{r} }ej  and
      Howcroft, David M.  and
      Rieser, Verena",
    booktitle = "Proceedings of the 12th International Conference on Natural Language Generation",
    month = oct # "{--}" # nov,
    year = "2019",
    address = "Tokyo, Japan",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/W19-8652",
    doi = "10.18653/v1/W19-8652",
    pages = "421--426",
    abstract = "Neural natural language generation (NNLG) systems are known for their pathological outputs, i.e. generating text which is unrelated to the input specification. In this paper, we show the impact of semantic noise on state-of-the-art NNLG models which implement different semantic control mechanisms. We find that cleaned data can improve semantic correctness by up to 97{\%}, while maintaining fluency. We also find that the most common error is omitting information, rather than hallucination.",