Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

ciekawostki_qa

  • opis:

TriviaqQA to zbiór danych dotyczących czytania ze zrozumieniem zawierający ponad 650 000 trójek pytań, odpowiedzi i dowodów. TriviaqQA zawiera 95 tys. par pytań i odpowiedzi autorstwa entuzjastów ciekawostek i niezależnie zebrane dokumenty dowodowe, średnio sześć na pytanie, które zapewniają wysokiej jakości zdalny nadzór nad udzielaniem odpowiedzi na pytania.

Podział Przykłady
'test' 10,832
'train' 87 622
'validation' 11313
  • Cechy:
FeaturesDict({
    'answer': FeaturesDict({
        'aliases': Sequence(Text(shape=(), dtype=tf.string)),
        'matched_wiki_entity_name': Text(shape=(), dtype=tf.string),
        'normalized_aliases': Sequence(Text(shape=(), dtype=tf.string)),
        'normalized_matched_wiki_entity_name': Text(shape=(), dtype=tf.string),
        'normalized_value': Text(shape=(), dtype=tf.string),
        'type': Text(shape=(), dtype=tf.string),
        'value': Text(shape=(), dtype=tf.string),
    }),
    'entity_pages': Sequence({
        'doc_source': Text(shape=(), dtype=tf.string),
        'filename': Text(shape=(), dtype=tf.string),
        'title': Text(shape=(), dtype=tf.string),
        'wiki_context': Text(shape=(), dtype=tf.string),
    }),
    'question': Text(shape=(), dtype=tf.string),
    'question_id': Text(shape=(), dtype=tf.string),
    'question_source': Text(shape=(), dtype=tf.string),
    'search_results': Sequence({
        'description': Text(shape=(), dtype=tf.string),
        'filename': Text(shape=(), dtype=tf.string),
        'rank': tf.int32,
        'search_context': Text(shape=(), dtype=tf.string),
        'title': Text(shape=(), dtype=tf.string),
        'url': Text(shape=(), dtype=tf.string),
    }),
})
@article{2017arXivtriviaqa,
       author = { {Joshi}, Mandar and {Choi}, Eunsol and {Weld},
                 Daniel and {Zettlemoyer}, Luke},
        title = "{triviaqa: A Large Scale Distantly Supervised Challenge Dataset for Reading Comprehension}",
      journal = {arXiv e-prints},
         year = 2017,
          eid = {arXiv:1705.03551},
        pages = {arXiv:1705.03551},
archivePrefix = {arXiv},
       eprint = {1705.03551},
}

trivia_qa/rc (domyślna konfiguracja)

  • Opis config: par pytanie-odpowiedź, gdzie wszystkie dokumenty dotyczące danej kwestii zawierają ciąg Odpowiedź (y). Zawiera kontekst z Wikipedii i wyników wyszukiwania.

  • Przykłady ( tfds.as_dataframe ):

ciekawostki_qa/rc.nocontext

  • Opis config: par pytanie-odpowiedź, gdzie wszystkie dokumenty dotyczące danej kwestii zawierają ciąg Odpowiedź (y).

  • Przykłady ( tfds.as_dataframe ):

ciekawostki_qa/niefiltrowane

  • Opis config: 110k par pytanie-odpowiedź dla otwartego QA domeny, gdzie nie wszystkie dokumenty dotyczące danej kwestii zawierać ciąg Odpowiedź (y). Dzięki temu niefiltrowany zestaw danych jest bardziej odpowiedni dla kontroli jakości w stylu IR. Zawiera kontekst z Wikipedii i wyników wyszukiwania.

  • Przykłady ( tfds.as_dataframe ):

trivia_qa/unfiltered.nocontext

  • Opis config: 110k par pytanie-odpowiedź dla otwartego QA domeny, gdzie nie wszystkie dokumenty dotyczące danej kwestii zawierać ciąg Odpowiedź (y). Dzięki temu niefiltrowany zestaw danych jest bardziej odpowiedni dla kontroli jakości w stylu IR.

  • Przykłady ( tfds.as_dataframe ):