story_cloze

  • תיאור :

Story Cloze Test הוא מסגרת חשיבה רגילה חדשה להערכת הבנת סיפור, יצירת סיפור ולמידת תסריטים. בדיקה זו מחייבת מערכת לבחור את הסוף הנכון לסיפור בן ארבעה משפטים.

  • תיאור תצורה : שנת 2018

  • דף הבית : https://www.cs.rochester.edu/nlp/rocstories/

  • קוד מקור : tfds.text.story_cloze.StoryCloze

  • גרסאות :

    • 1.0.0 (ברירת מחדל): שחרור ראשוני.
  • גודל הורדה : Unknown size

  • הוראות הורדה ידניות : מערך נתונים זה מחייב אותך להוריד את נתוני המקור באופן ידני אל download_config.manual_dir (ברירת המחדל היא ~/tensorflow_datasets/downloads/manual/ ):
    בקר בכתובת https://www.cs.rochester.edu/nlp/rocstories/ ומלא את טופס גוגל כדי להשיג את מערכי הנתונים. תקבל אימייל עם הקישור להורדת מערכי הנתונים. עבור נתוני 2016, יש לשנות את השם של קובץ האימות והבדיקה ל-cloze_test val _spring2016.csv ו-cloze_test test _spring2016.csv בהתאמה. עבור גירסת 2018, יש לשנות את שם קובץ האימות והבדיקה ל-cloze_test val _winter2018.csv ול-cloze_test test _winter2018.csv בהתאמה. העבר את שני הקבצים האלה לספרייה הידנית.

  • שמור אוטומטי במטמון ( תיעוד ): כן

  • תכונות :

FeaturesDict({
    'context': Text(shape=(), dtype=tf.string),
    'endings': Sequence(Text(shape=(), dtype=tf.string)),
    'label': tf.int32,
})
@inproceedings{sharma-etal-2018-tackling,
    title = "Tackling the Story Ending Biases in The Story Cloze Test",
    author = "Sharma, Rishi  and
      Allen, James  and
      Bakhshandeh, Omid  and
      Mostafazadeh, Nasrin",
    booktitle = "Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (Volume 2: Short Papers)",
    month = jul,
    year = "2018",
    address = "Melbourne, Australia",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/P18-2119",
    doi = "10.18653/v1/P18-2119",
    pages = "752--757",
    abstract = "The Story Cloze Test (SCT) is a recent framework for evaluating story comprehension and script learning. There have been a variety of models tackling the SCT so far. Although the original goal behind the SCT was to require systems to perform deep language understanding and commonsense reasoning for successful narrative understanding, some recent models could perform significantly better than the initial baselines by leveraging human-authorship biases discovered in the SCT dataset. In order to shed some light on this issue, we have performed various data analysis and analyzed a variety of top performing models presented for this task. Given the statistics we have aggregated, we have designed a new crowdsourcing scheme that creates a new SCT dataset, which overcomes some of the biases. We benchmark a few models on the new dataset and show that the top-performing model on the original SCT dataset fails to keep up its performance. Our findings further signify the importance of benchmarking NLP systems on various evolving test sets.",
}

story_cloze/2016 (תצורת ברירת המחדל)

  • גודל מערך נתונים : 1.15 MiB

  • פיצולים :

לְפַצֵל דוגמאות
'test' 1,871
'validation' 1,871

story_cloze/2018

  • גודל מערך נתונים : 1015.04 KiB

  • פיצולים :

לְפַצֵל דוגמאות
'test' 1,571
'validation' 1,571