tydi_qa

  • Description:

TyDi QA est un ensemble de données de questions-réponses couvrant 11 langues typologiquement diverses avec 204K paires de questions-réponses. Les langues de TyDi QA sont diverses en ce qui concerne leur typologie - l'ensemble de caractéristiques linguistiques que chaque langue exprime - de sorte que nous nous attendons à ce que les modèles performants sur cet ensemble se généralisent à un grand nombre de langues dans le monde. Il contient des phénomènes linguistiques que l'on ne trouverait pas dans les corpus uniquement en anglais. Pour fournir une tâche de recherche d'informations réaliste et éviter les effets d'amorçage, les questions sont écrites par des personnes qui veulent connaître la réponse, mais ne connaissent pas encore la réponse (contrairement à SQuAD et ses descendants) et les données sont collectées directement dans chaque langue sans l'utilisation de la traduction (contrairement à MLQA et XQuAD).

Divisions d'entraînement :

« train »: Ceci est la tâche GoldP du papier TyDi QA original [ https://arxiv.org/abs/2003.05002 ] qui a des données de formation étiquetés langue d' origine.

« traduire-* forma- »: Ces divisions sont les traductions automatiques de l' anglais vers chaque langue cible utilisée dans les lignes de base traduire-trains dans le document de XTREME [ https://arxiv.org/abs/2003.11080 ]. Cela ignore délibérément les données de formation TyDiQA-GoldP non anglaises pour simuler le scénario d'apprentissage par transfert où les données dans la langue d'origine ne sont pas disponibles et les constructeurs de systèmes doivent s'appuyer sur des données en anglais étiquetées ainsi que sur des systèmes de traduction automatique existants.

En règle générale, vous devez utiliser SOIT la division train ou translate-train, mais pas les deux.

Diviser Exemples
'train' 49 881
'translate-train-ar' 3 661
'translate-train-bn' 3 585
'translate-train-fi' 3 670
'translate-train-id' 3 667
'translate-train-ko' 3 607
'translate-train-ru' 3 394
'translate-train-sw' 3 622
'translate-train-te' 3 658
'validation' 5 077
'validation-ar' 921
'validation-bn' 113
'validation-en' 440
'validation-fi' 782
'validation-id' 565
'validation-ko' 276
'validation-ru' 812
'validation-sw' 499
'validation-te' 669
  • Caractéristiques:
FeaturesDict({
    'answers': Sequence({
        'answer_start': tf.int32,
        'text': Text(shape=(), dtype=tf.string),
    }),
    'context': Text(shape=(), dtype=tf.string),
    'id': tf.string,
    'question': Text(shape=(), dtype=tf.string),
    'title': Text(shape=(), dtype=tf.string),
})
  • citation:
@article{tydiqa,
   title = {TyDi QA: A Benchmark for Information-Seeking Question Answering in Typologically Diverse Languages},
  author = {Jonathan H. Clark and Eunsol Choi and Michael Collins and Dan Garrette and Tom Kwiatkowski and Vitaly Nikolaev and Jennimaria Palomaki}
    year = {2020},
 journal = {Transactions of the Association for Computational Linguistics}
}

tydi_qa/goldp (configuration par défaut)