lem

Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

  • Deskripsi :

GLUE, tolok ukur Evaluasi Pemahaman Bahasa Umum ( https://gluebenchmark.com/ ) adalah kumpulan sumber daya untuk melatih, mengevaluasi, dan menganalisis sistem pemahaman bahasa alami.

lem/cola (konfigurasi default)

  • Deskripsi konfigurasi : Corpus of Linguistic Acceptability terdiri dari penilaian akseptabilitas bahasa Inggris yang diambil dari buku dan artikel jurnal tentang teori linguistik. Setiap contoh adalah urutan kata yang dianotasi dengan apakah itu kalimat bahasa Inggris gramatikal.

  • Situs web : https://nyu-mll.github.io/CoLA/

  • Ukuran unduhan : 368.14 KiB

  • Ukuran kumpulan data: 965.49 KiB

  • Perpecahan :

Membelah Contoh
'test' 1.063
'train' 8.551
'validation' 1.043
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
kalimat Teks tf.string
  • kutipan :
@article{warstadt2018neural,
  title={Neural Network Acceptability Judgments},
  author={Warstadt, Alex and Singh, Amanpreet and Bowman, Samuel R},
  journal={arXiv preprint arXiv:1805.12471},
  year={2018}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/sst2

  • Deskripsi konfigurasi : The Stanford Sentiment Treebank terdiri dari kalimat-kalimat dari ulasan film dan anotasi manusia tentang sentimen mereka. Tugasnya adalah memprediksi sentimen dari kalimat yang diberikan. Kami menggunakan pemisahan kelas dua arah (positif/negatif), dan hanya menggunakan label tingkat kalimat.

  • Situs web : https://nlp.stanford.edu/sentiment/index.html

  • Ukuran unduhan : 7.09 MiB

  • Ukuran kumpulan data : 7.22 MiB

  • Perpecahan :

Membelah Contoh
'test' 1,821
'train' 67.349
'validation' 872
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
kalimat Teks tf.string
  • kutipan :
@inproceedings{socher2013recursive,
  title={Recursive deep models for semantic compositionality over a sentiment treebank},
  author={Socher, Richard and Perelygin, Alex and Wu, Jean and Chuang, Jason and Manning, Christopher D and Ng, Andrew and Potts, Christopher},
  booktitle={Proceedings of the 2013 conference on empirical methods in natural language processing},
  pages={1631--1642},
  year={2013}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/mrpc

  • Deskripsi konfigurasi : Microsoft Research Paraphrase Corpus (Dolan & Brockett, 2005) adalah kumpulan pasangan kalimat yang diekstraksi secara otomatis dari sumber berita online, dengan anotasi manusia untuk mengetahui apakah kalimat dalam pasangan tersebut setara secara semantik.

  • Situs web : https://www.microsoft.com/en-us/download/details.aspx?id=52398

  • Ukuran unduhan : 1.43 MiB

  • Ukuran kumpulan data : 1.74 MiB

  • Perpecahan :

Membelah Contoh
'test' 1.725
'train' 3,668
'validation' 408
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
kalimat1 Teks tf.string
kalimat2 Teks tf.string
  • kutipan :
@inproceedings{dolan2005automatically,
  title={Automatically constructing a corpus of sentential paraphrases},
  author={Dolan, William B and Brockett, Chris},
  booktitle={Proceedings of the Third International Workshop on Paraphrasing (IWP2005)},
  year={2005}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/qqp

  • Deskripsi konfigurasi : Kumpulan data Quora Question Pairs2 adalah kumpulan pasangan pertanyaan dari situs web komunitas penjawab pertanyaan Quora. Tugasnya adalah untuk menentukan apakah sepasang pertanyaan setara secara semantik.

  • Situs web : https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs

  • Ukuran unduhan : 39.76 MiB

  • Ukuran kumpulan data: 150.37 MiB

  • Perpecahan :

Membelah Contoh
'test' 390.965
'train' 363.846
'validation' 40.430
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'question1': Text(shape=(), dtype=tf.string),
    'question2': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
pertanyaan 1 Teks tf.string
pertanyaan2 Teks tf.string
  • kutipan :
@online{WinNT,
  author = {Iyer, Shankar and Dandekar, Nikhil and Csernai, Kornel},
  title = {First Quora Dataset Release: Question Pairs},
  year = 2017,
  url = {https://data.quora.com/First-Quora-Dataset-Release-Question-Pairs},
  urldate = {2019-04-03}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/stsb

  • Deskripsi konfigurasi : The Semantic Textual Similarity Benchmark (Cer et al., 2017) adalah kumpulan pasangan kalimat yang diambil dari headline berita, teks video dan gambar, dan data inferensi bahasa alami. Setiap pasangan diberi anotasi manusia dengan skor kesamaan dari 0 hingga 5.

  • Situs web : http://ixa2.si.ehu.es/stswiki/index.php/STSbenchmark

  • Ukuran unduhan : 784.05 KiB

  • Ukuran kumpulan data : 1.58 MiB

  • Perpecahan :

Membelah Contoh
'test' 1,379
'train' 5.749
'validation' 1.500
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': tf.float32,
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Tensor tf.float32
kalimat1 Teks tf.string
kalimat2 Teks tf.string
  • kutipan :
@article{cer2017semeval,
  title={Semeval-2017 task 1: Semantic textual similarity-multilingual and cross-lingual focused evaluation},
  author={Cer, Daniel and Diab, Mona and Agirre, Eneko and Lopez-Gazpio, Inigo and Specia, Lucia},
  journal={arXiv preprint arXiv:1708.00055},
  year={2017}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/mnli

  • Deskripsi konfigurasi : Korpus Inferensi Bahasa Alami Multi-Genre adalah kumpulan pasangan kalimat yang bersumber dari banyak orang dengan anotasi entailment tekstual. Mengingat kalimat premis dan kalimat hipotesis, tugasnya adalah untuk memprediksi apakah premis memerlukan hipotesis (entailment), bertentangan dengan hipotesis (kontradiksi), atau tidak (netral). Kalimat premis dikumpulkan dari sepuluh sumber yang berbeda, termasuk pidato yang ditranskripsi, fiksi, dan laporan pemerintah. Kami menggunakan set pengujian standar, yang untuknya kami memperoleh label pribadi dari penulis, dan mengevaluasi bagian yang cocok (dalam domain) dan tidak cocok (lintas domain). Kami juga menggunakan dan merekomendasikan corpus SNLI sebagai 550k contoh data pelatihan tambahan.

  • Situs web : http://www.nyu.edu/projects/bowman/multinli/

  • Ukuran unduhan : 298.29 MiB

  • Ukuran kumpulan data: 100.56 MiB

  • Perpecahan :

Membelah Contoh
'test_matched' 9.796
'test_mismatched' 9.847
'train' 392,702
'validation_matched' 9.815
'validation_mismatched' 9.832
  • Struktur fitur :
FeaturesDict({
    'hypothesis': Text(shape=(), dtype=tf.string),
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'premise': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
hipotesa Teks tf.string
idx Tensor tf.int32
label Label Kelas tf.int64
premis Teks tf.string
  • kutipan :
@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/mnli_mismatched

  • Deskripsi konfigurasi : Validasi yang tidak cocok dan pemisahan pengujian dari MNLI. Lihat BuilderConfig "mnli" untuk informasi tambahan.

  • Situs web : http://www.nyu.edu/projects/bowman/multinli/

  • Ukuran unduhan : 298.29 MiB

  • Ukuran kumpulan data : 4.79 MiB

  • Perpecahan :

Membelah Contoh
'test' 9.847
'validation' 9.832
  • Struktur fitur :
FeaturesDict({
    'hypothesis': Text(shape=(), dtype=tf.string),
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'premise': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
hipotesa Teks tf.string
idx Tensor tf.int32
label Label Kelas tf.int64
premis Teks tf.string
  • kutipan :
@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/mnli_cocok

  • Deskripsi konfigurasi : Validasi yang cocok dan pemisahan pengujian dari MNLI. Lihat BuilderConfig "mnli" untuk informasi tambahan.

  • Situs web : http://www.nyu.edu/projects/bowman/multinli/

  • Ukuran unduhan : 298.29 MiB

  • Ukuran kumpulan data : 4.58 MiB

  • Perpecahan :

Membelah Contoh
'test' 9.796
'validation' 9.815
  • Struktur fitur :
FeaturesDict({
    'hypothesis': Text(shape=(), dtype=tf.string),
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'premise': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
hipotesa Teks tf.string
idx Tensor tf.int32
label Label Kelas tf.int64
premis Teks tf.string
  • kutipan :
@InProceedings{N18-1101,
  author = "Williams, Adina
            and Nangia, Nikita
            and Bowman, Samuel",
  title = "A Broad-Coverage Challenge Corpus for
           Sentence Understanding through Inference",
  booktitle = "Proceedings of the 2018 Conference of
               the North American Chapter of the
               Association for Computational Linguistics:
               Human Language Technologies, Volume 1 (Long
               Papers)",
  year = "2018",
  publisher = "Association for Computational Linguistics",
  pages = "1112--1122",
  location = "New Orleans, Louisiana",
  url = "http://aclweb.org/anthology/N18-1101"
}
@article{bowman2015large,
  title={A large annotated corpus for learning natural language inference},
  author={Bowman, Samuel R and Angeli, Gabor and Potts, Christopher and Manning, Christopher D},
  journal={arXiv preprint arXiv:1508.05326},
  year={2015}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/qnli

  • Deskripsi Config : Stanford Question Answering Dataset adalah kumpulan data question-answering yang terdiri dari pasangan pertanyaan-paragraf, di mana salah satu kalimat dalam paragraf (diambil dari Wikipedia) berisi jawaban dari pertanyaan terkait (ditulis oleh annotator). Kami mengubah tugas menjadi klasifikasi pasangan kalimat dengan membentuk pasangan antara setiap pertanyaan dan setiap kalimat dalam konteks yang sesuai, dan menyaring pasangan dengan tumpang tindih leksikal rendah antara pertanyaan dan kalimat konteks. Tugasnya adalah menentukan apakah kalimat konteks mengandung jawaban atas pertanyaan tersebut. Versi modifikasi dari tugas asli ini menghilangkan persyaratan bahwa model memilih jawaban yang tepat, tetapi juga menghilangkan asumsi penyederhanaan bahwa jawaban selalu ada dalam input dan bahwa tumpang tindih leksikal adalah isyarat yang dapat diandalkan.

  • Situs web : https://rajpurkar.github.io/SQuAD-explorer/

  • Ukuran unduhan : 10.14 MiB

  • Ukuran kumpulan data: 32.99 MiB

  • Perpecahan :

Membelah Contoh
'test' 5.463
'train' 104.743
'validation' 5.463
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'question': Text(shape=(), dtype=tf.string),
    'sentence': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
pertanyaan Teks tf.string
kalimat Teks tf.string
  • kutipan :
@article{rajpurkar2016squad,
  title={Squad: 100,000+ questions for machine comprehension of text},
  author={Rajpurkar, Pranav and Zhang, Jian and Lopyrev, Konstantin and Liang, Percy},
  journal={arXiv preprint arXiv:1606.05250},
  year={2016}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/rte

  • Deskripsi konfigurasi : Kumpulan data Recognizing Textual Entailment (RTE) berasal dari serangkaian tantangan entailment tekstual tahunan. Kami menggabungkan data dari RTE1 (Dagan et al., 2006), RTE2 (Bar Haim et al., 2006), RTE3 (Giampiccolo et al., 2007), dan RTE5 (Bentivogli et al., 2009).4 Contohnya adalah dibangun berdasarkan berita dan teks Wikipedia. Kami mengonversi semua kumpulan data menjadi pemisahan dua kelas, di mana untuk kumpulan data tiga kelas kami menciutkan netral dan kontradiksi menjadi bukan entailment, untuk konsistensi.

  • Situs web : https://aclweb.org/aclwiki/Recognizing_Textual_Entailment

  • Ukuran unduhan : 680.81 KiB

  • Ukuran kumpulan data : 2.15 MiB

  • Perpecahan :

Membelah Contoh
'test' 3.000
'train' 2.490
'validation' 277
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
kalimat1 Teks tf.string
kalimat2 Teks tf.string
  • kutipan :
@inproceedings{dagan2005pascal,
  title={The PASCAL recognising textual entailment challenge},
  author={Dagan, Ido and Glickman, Oren and Magnini, Bernardo},
  booktitle={Machine Learning Challenges Workshop},
  pages={177--190},
  year={2005},
  organization={Springer}
}
@inproceedings{bar2006second,
  title={The second pascal recognising textual entailment challenge},
  author={Bar-Haim, Roy and Dagan, Ido and Dolan, Bill and Ferro, Lisa and Giampiccolo, Danilo and Magnini, Bernardo and Szpektor, Idan},
  booktitle={Proceedings of the second PASCAL challenges workshop on recognising textual entailment},
  volume={6},
  number={1},
  pages={6--4},
  year={2006},
  organization={Venice}
}
@inproceedings{giampiccolo2007third,
  title={The third pascal recognizing textual entailment challenge},
  author={Giampiccolo, Danilo and Magnini, Bernardo and Dagan, Ido and Dolan, Bill},
  booktitle={Proceedings of the ACL-PASCAL workshop on textual entailment and paraphrasing},
  pages={1--9},
  year={2007},
  organization={Association for Computational Linguistics}
}
@inproceedings{bentivogli2009fifth,
  title={The Fifth PASCAL Recognizing Textual Entailment Challenge.},
  author={Bentivogli, Luisa and Clark, Peter and Dagan, Ido and Giampiccolo, Danilo},
  booktitle={TAC},
  year={2009}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem/wnli

  • Deskripsi konfigurasi : Tantangan Skema Winograd (Levesque et al., 2011) adalah tugas pemahaman bacaan di mana sistem harus membaca kalimat dengan kata ganti dan memilih referensi kata ganti itu dari daftar pilihan. Contoh-contoh tersebut dibuat secara manual untuk menggagalkan metode statistik sederhana: Masing-masing bergantung pada informasi kontekstual yang disediakan oleh satu kata atau frasa dalam kalimat. Untuk mengubah masalah menjadi klasifikasi pasangan kalimat, kita membangun pasangan kalimat dengan mengganti kata ganti ambigu dengan setiap referensi yang mungkin. Tugasnya adalah untuk memprediksi apakah kalimat dengan kata ganti yang diganti itu disyaratkan oleh kalimat aslinya. Kami menggunakan perangkat evaluasi kecil yang terdiri dari contoh-contoh baru yang berasal dari buku-buku fiksi yang dibagikan secara pribadi oleh penulis korpus asli. Sementara set pelatihan yang disertakan seimbang antara dua kelas, set tes tidak seimbang di antara keduanya (65% bukan entailment). Juga, karena kekhasan data, set pengembangan bersifat permusuhan: hipotesis kadang-kadang dibagi antara contoh pelatihan dan pengembangan, jadi jika model menghafal contoh pelatihan, mereka akan memprediksi label yang salah pada contoh set pengembangan yang sesuai. Seperti halnya QNLI, setiap contoh dievaluasi secara terpisah, jadi tidak ada korespondensi sistematis antara skor model pada tugas ini dan skornya pada tugas asli yang belum dikonversi. Kami menyebut kumpulan data yang dikonversi WNLI (Winograd NLI).

  • Situs web : https://cs.nyu.edu/faculty/davise/papers/WinogradSchemas/WS.html

  • Ukuran unduhan : 28.32 KiB

  • Ukuran kumpulan data: 198.88 KiB

  • Perpecahan :

Membelah Contoh
'test' 146
'train' 635
'validation' 71
  • Struktur fitur :
FeaturesDict({
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=2),
    'sentence1': Text(shape=(), dtype=tf.string),
    'sentence2': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
idx Tensor tf.int32
label Label Kelas tf.int64
kalimat1 Teks tf.string
kalimat2 Teks tf.string
  • kutipan :
@inproceedings{levesque2012winograd,
  title={The winograd schema challenge},
  author={Levesque, Hector and Davis, Ernest and Morgenstern, Leora},
  booktitle={Thirteenth International Conference on the Principles of Knowledge Representation and Reasoning},
  year={2012}
}
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.

lem / kapak

  • Deskripsi konfigurasi : Kumpulan data evaluasi yang dikuratori secara manual untuk analisis kinerja sistem yang halus pada berbagai fenomena linguistik. Dataset ini mengevaluasi pemahaman kalimat melalui masalah Natural Language Inference (NLI). Gunakan model yang dilatih pada MulitNLI untuk menghasilkan prediksi untuk kumpulan data ini.

  • Situs web : https://gluebenchmark.com/diagnostics

  • Ukuran unduhan : 217.05 KiB

  • Ukuran kumpulan data: 299.16 KiB

  • Perpecahan :

Membelah Contoh
'test' 1.104
  • Struktur fitur :
FeaturesDict({
    'hypothesis': Text(shape=(), dtype=tf.string),
    'idx': tf.int32,
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=3),
    'premise': Text(shape=(), dtype=tf.string),
})
  • Dokumentasi fitur :
Fitur Kelas Membentuk Tipe D Keterangan
FiturDict
hipotesa Teks tf.string
idx Tensor tf.int32
label Label Kelas tf.int64
premis Teks tf.string
  • kutipan :
@inproceedings{wang2019glue,
  title={ {GLUE}: A Multi-Task Benchmark and Analysis Platform for Natural Language Understanding},
  author={Wang, Alex and Singh, Amanpreet and Michael, Julian and Hill, Felix and Levy, Omer and Bowman, Samuel R.},
  note={In the Proceedings of ICLR.},
  year={2019}
}

Note that each GLUE dataset has its own citation. Please see the source to see
the correct citation for each contained dataset.