• Descrizione :

Una versione aggiornata dei dati E2E NLG Challenge con MR puliti. I dati E2E contengono la rappresentazione del significato basata sull'atto del dialogo (MR) nel dominio del ristorante e fino a 5 riferimenti in linguaggio naturale, che è ciò che è necessario prevedere.

Diviso Esempi
'test' 4.693
'train' 33.525
'validation' 4.299
  • Struttura delle caratteristiche :
    'input_text': FeaturesDict({
        'table': Sequence({
            'column_header': string,
            'content': string,
            'row_number': int16,
    'target_text': string,
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
testo di input CaratteristicheDict
testo_input/tabella Sequenza
input_text/table/column_header Tensore corda
testo_input/tabella/contenuto Tensore corda
testo_input/tabella/numero_riga Tensore int16
testo_destinazione Tensore corda
  • Citazione :
    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.",