Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

story_cloze

  • opis:

Story Cloze Test to nowe ramy rozumowania zdroworozsądkowego do oceny zrozumienia historii, generowania historii i uczenia się skryptów. Ten test wymaga od systemu wyboru prawidłowego zakończenia czterozdaniowej historii.

  • Opis config: 2018 rok

  • Strona domowa: https://www.cs.rochester.edu/nlp/rocstories/

  • Kod źródłowy: tfds.text.story_cloze.StoryCloze

  • wersje:

    • 1.0.0 (domyślnie): Pierwsza wersja.
  • Wielkość pliku: Unknown size

  • Ręczne pobieranie instrukcje: Ten zestaw danych wymaga, aby ręcznie pobrać dane źródłowe do download_config.manual_dir (domyślnie ~/tensorflow_datasets/downloads/manual/ )
    Odwiedź https://www.cs.rochester.edu/nlp/rocstories/ i wypełnić formularz Google, aby uzyskać zestawów danych. Otrzymasz wiadomość e-mail z linkiem do pobrania zestawów danych. Dla danych 2016, potrzeby walidacji i plik testowy być zmieniona na cloze_test val _spring2016.csv i cloze_test Test _spring2016.csv odpowiednio. Dla wersji 2018, potrzeby walidacji i plik testowy zostać zmieniona na cloze_test val _winter2018.csv i cloze_test testowym _winter2018.csv odpowiednio. Przenieś oba te pliki do katalogu ręcznego.

  • Auto-buforowane ( dokumentacja ): Tak

  • Cechy:

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 (konfiguracja domyślna)

  • Zbiór danych Rozmiar: 1.15 MiB

  • dzieli:

Podział Przykłady
'test' 1,871
'validation' 1,871

story_cloze/2018

  • Zbiór danych rozmiar: 1015.04 KiB

  • dzieli:

Podział Przykłady
'test' 1,571
'validation' 1,571