Squad_question_generation

• opis :

Generowanie pytań przy użyciu zestawu danych zespołu przy użyciu podziałów danych opisanych w „Neural Question Generation from Text: A Preliminary Study” (Zhou i in., 2017) oraz „Learning to Ask: Neural Question Generation for Reading Comprehension” (Du i in., 2017).

• Strona główna : https://github.com/xinyadu/nqg @inproceedings{du-etal-2017-learning, title = „Nauka zadawania pytań: generowanie pytań neuronowych do czytania ze zrozumieniem”, autor = „Du, Xinya i Shao, Junru i Cardie, Claire", booktitle = "Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (tom 1: Long Papers)", miesiąc = lipiec, rok = "2017", adres = "Vancouver, Kanada", wydawca = " Association for Computational Linguistics", url = "https://aclanthology.org/P17-1123", doi = "10.18653/v1/P17-1123", pages = "1342--1352", } ", miesiąc = lipiec, rok = „2017”, adres = „Vancouver, Kanada”, wydawca = „Association for Computational Linguistics”, url = „https://aclanthology.org/P17-1123”, doi = „10.18653/v1/P17-1123” , strony = "1342--1352", } )

• Kod źródłowy : tfds.text.squad_question_generation.SquadQuestionGeneration

• Wersje :

  • 1.0.0 : Początkowa kompilacja z unikalnymi identyfikatorami SQuAD QAS w każdym podziale, przy użyciu kontekstu na poziomie przejścia (Zhou i in., 2017).

  • 2.0.0 : Pasuje do oryginalnego podziału (Zhou i in., 2017), dopuszcza zarówno kontekst na poziomie zdania, jak i fragmentu oraz wykorzystuje odpowiedzi z (Zhou i in., 2017).

  • 3.0.0 (domyślnie): Dodano również podział (Du i in., 2017).

• Automatyczne buforowanie ( dokumentacja ): Tak

• Klucze nadzorowane (zobacz dokument as_supervised ): ('context_passage', 'question')

• Rysunek ( tfds.show_examples ): Nieobsługiwany.

• Cytat :

@inproceedings{du-etal-2017-learning,
    title = "Learning to Ask: Neural Question Generation for Reading Comprehension",
    author = "Du, Xinya  and Shao, Junru  and Cardie, Claire",
    booktitle = "Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)",
    month = jul,
    year = "2017",
    address = "Vancouver, Canada",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/P17-1123",
    doi = "10.18653/v1/P17-1123",
    pages = "1342--1352",
}

@inproceedings{rajpurkar-etal-2016-squad,
    title = "{SQ}u{AD}: 100,000+ Questions for Machine Comprehension of Text",
    author = "Rajpurkar, Pranav  and Zhang, Jian  and Lopyrev, Konstantin  and Liang, Percy",
    booktitle = "Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing",
    month = nov,
    year = "2016",
    address = "Austin, Texas",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/D16-1264",
    doi = "10.18653/v1/D16-1264",
    pages = "2383--2392",
}

Squad_question_generation/split_du (domyślna konfiguracja)

• Opis konfiguracji : Odpowiedz na niezależne generowanie pytań z kontekstów na poziomie fragmentu (Du i in., 2017).

• Rozmiar pliku do pobrania : 62.83 MiB

• Rozmiar zestawu danych : 84.67 MiB

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'answer': Text(shape=(), dtype=string),
    'context_passage': Text(shape=(), dtype=string),
    'question': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):

Squad_question_generation/split_zhou

• Opis konfiguracji : generowanie pytań zależnych od zakresu odpowiedzi z kontekstów na poziomie zdania i fragmentu (Zhou i in., 2017).

• Rozmiar pliku do pobrania : 62.52 MiB

• Rozmiar zestawu danych : 111.02 MiB

• Podziały :

• Struktura funkcji :

FeaturesDict({
    'answer': Text(shape=(), dtype=string),
    'context_passage': Text(shape=(), dtype=string),
    'context_sentence': Text(shape=(), dtype=string),
    'question': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

• Przykłady ( tfds.as_dataframe ):