اتاق خبر

• توضیحات :

NEWSROOM یک مجموعه داده بزرگ برای آموزش و ارزیابی سیستم های خلاصه سازی است. این شامل 1.3 میلیون مقاله و خلاصه نوشته شده توسط نویسندگان و سردبیران در اتاق خبر 38 نشریه بزرگ است.

ویژگی های مجموعه داده شامل: - متن: متن اخبار ورودی. - خلاصه: خلاصه برای اخبار. و ویژگی های اضافی: - عنوان: عنوان خبر. - url: آدرس خبر. - تاریخ: تاریخ مقاله. - چگالی: چگالی استخراجی. - پوشش: پوشش استخراجی. - فشرده سازی: نسبت تراکم. - density_bin: کم، متوسط، زیاد. - coverage_bin: استخراجی، انتزاعی. - compression_bin: کم، متوسط، زیاد.

این مجموعه داده در صورت درخواست قابل دانلود است. تمام محتویات "train.jsonl, dev.josnl, test.jsonl" را در پوشه tfds از حالت فشرده خارج کنید.

• اسناد اضافی : کاوش در کاغذها با کد north_east

• صفحه اصلی : https://summari.es

• کد منبع : tfds.summarization.Newsroom

• نسخه ها :

  • 1.0.0 (پیش فرض): بدون یادداشت انتشار.

• اندازه دانلود : Unknown size

• حجم مجموعه داده : 5.13 GiB

• دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir (پیش‌فرض ~/tensorflow_datasets/downloads/manual/ ):
  شما باید مجموعه داده را از https://summari.es/download/ دانلود کنید. صفحه وب نیاز به ثبت نام دارد. لطفا پس از دانلود فایل های dev.jsonl، test.jsonl و train.jsonl را در manual_dir قرار دهید.

• ذخیره خودکار ( اسناد ): خیر

• تقسیم ها :

• ساختار ویژگی :

FeaturesDict({
    'compression': float32,
    'compression_bin': Text(shape=(), dtype=string),
    'coverage': float32,
    'coverage_bin': Text(shape=(), dtype=string),
    'date': Text(shape=(), dtype=string),
    'density': float32,
    'density_bin': Text(shape=(), dtype=string),
    'summary': Text(shape=(), dtype=string),
    'text': Text(shape=(), dtype=string),
    'title': Text(shape=(), dtype=string),
    'url': Text(shape=(), dtype=string),
})

• مستندات ویژگی :

• کلیدهای نظارت شده (مشاهده as_supervised doc ): ('text', 'summary')

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

@article{Grusky_2018,
   title={Newsroom: A Dataset of 1.3 Million Summaries with Diverse Extractive Strategies},
   url={http://dx.doi.org/10.18653/v1/n18-1065},
   DOI={10.18653/v1/n18-1065},
   journal={Proceedings of the 2018 Conference of the North American Chapter of
          the Association for Computational Linguistics: Human Language
          Technologies, Volume 1 (Long Papers)},
   publisher={Association for Computational Linguistics},
   author={Grusky, Max and Naaman, Mor and Artzi, Yoav},
   year={2018}
}