trivia_qa

• Описание :

TriviaqQA - это набор данных для понимания прочитанного, содержащий более 650 тысяч троек типа вопрос-ответ-свидетельство. TriviaqQA включает 95 тыс. Пар вопросов-ответов, созданных энтузиастами пустяков, и независимо собранные доказательные документы, в среднем по шесть на вопрос, которые обеспечивают высококачественное дистанционное наблюдение за ответами на вопросы.

• Домашняя страница : http://nlp.cs.washington.edu/triviaqa/

• Исходный код : tfds.question_answering.TriviaQA

• Версии :

  • 1.1.0 (по умолчанию): без примечаний к выпуску.

• Размер загрузки : Unknown size

• Размер набора данных : 119.78 MiB

• Автоматическое кэширование ( документация ): Да

• Сплит :

• Особенности :

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),
    }),
})

• Контролируемые ключи (см. as_supervised ): None

• Цитата :

@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},
}

• Рисунок ( tfds.show_examples ): не поддерживается.

trivia_qa / rc (конфигурация по умолчанию)

• Описание конфигурации : пары вопрос-ответ, где все документы для данного вопроса содержат строку (строки) ответа. Включает контекст из Википедии и результаты поиска.

• Примеры ( tfds.as_dataframe ):

trivia_qa / rc.nocontext

• Описание конфигурации : пары вопрос-ответ, где все документы для данного вопроса содержат строку (строки) ответа.

• Примеры ( tfds.as_dataframe ):

trivia_qa / без фильтра

• Описание конфигурации : 110 тыс. Пар вопрос-ответ для открытого домена QA, где не все документы для данного вопроса содержат строку (строки) ответа. Это делает нефильтрованный набор данных более подходящим для контроля качества в ИК-стиле. Включает контекст из Википедии и результаты поиска.

• Примеры ( tfds.as_dataframe ):

trivia_qa / uniltered.nocontext

• Описание конфигурации : 110 тыс. Пар вопрос-ответ для открытого домена QA, где не все документы для данного вопроса содержат строку (строки) ответа. Это делает нефильтрованный набор данных более подходящим для контроля качества в ИК-стиле.

• Примеры ( tfds.as_dataframe ):