RSVP для вашего местного мероприятия TensorFlow Everywhere сегодня!
Эта страница переведена с помощью Cloud Translation API.
Switch to English

story_cloze

  • Описание :

Story Cloze Test - это новая основа рассуждений на основе здравого смысла для оценки понимания истории, ее создания и изучения сценария. Этот тест требует от системы выбора правильного окончания рассказа из четырех предложений.

  • Описание конфигурации : 2018 год

  • Домашняя страница : https://www.cs.rochester.edu/nlp/rocstories/

  • Исходный код : tfds.text.story_cloze.StoryCloze

  • Версии :

    • 1.0.0 (по умолчанию): начальный выпуск.
  • Размер загрузки : Unknown size

  • Инструкции по загрузке вручную : для этого набора данных необходимо вручную загрузить исходные данные в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
    Посетите https://www.cs.rochester.edu/nlp/rocstories/ и заполните форму Google, чтобы получить наборы данных. Вы получите электронное письмо со ссылкой для загрузки наборов данных. Для данных за 2016 год файл проверки и тестирования необходимо переименовать в cloze_test val _spring2016.csv и cloze_test test _spring2016.csv соответственно. Для версии 2018 файл проверки и тестирования необходимо переименовать в cloze_test val _winter2018.csv и cloze_test test _winter2018.csv соответственно. Переместите оба этих файла в каталог руководства.

  • Автоматическое кэширование ( документация ): Да

  • Особенности :

FeaturesDict({
    'context': Text(shape=(), dtype=tf.string),
    'endings': Sequence(Text(shape=(), dtype=tf.string)),
    'label': tf.int32,
})
  • Контролируемые ключи (см. as_supervised doc ): None

  • Цитата :

@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 (конфигурация по умолчанию)

  • Размер набора данных : 1.15 MiB

  • Сплит :

Трещина Примеры
'test' 1871
'validation' 1871

story_cloze / 2018

  • Размер набора данных : 1015.04 KiB

  • Сплит :

Трещина Примеры
'test' 1,571
'validation' 1,571