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

web_nlg

  • Описание :

Данные содержат наборы от 1 до 7 троек в форме субъект-предикат-объект, извлеченные из (DBpedia) [ https://wiki.dbpedia.org/ ], и текст на естественном языке, который является вербализацией этих троек. Тестовые данные охватывают 15 различных доменов, из которых только 10 присутствуют в обучающих данных. Набор данных соответствует стандартизированному формату таблицы.

Трещина Примеры
'test_all' 4928
'test_unseen' 2,433
'train' 18 102
'validation' 2268
  • Особенности :
FeaturesDict({
    'input_text': FeaturesDict({
        'context': tf.string,
        'table': Sequence({
            'column_header': tf.string,
            'content': tf.string,
            'row_number': tf.int16,
        }),
    }),
    'target_text': tf.string,
})
  • Контролируемые ключи (см. as_supervised doc ): ('input_text', 'target_text')

  • Цитата :

@inproceedings{gardent2017creating,
    title = ""Creating Training Corpora for {NLG} Micro-Planners"",
    author = ""Gardent, Claire  and
      Shimorina, Anastasia  and
      Narayan, Shashi  and
      Perez-Beltrachini, Laura"",
    booktitle = ""Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers)"",
    month = jul,
    year = ""2017"",
    address = ""Vancouver, Canada"",
    publisher = ""Association for Computational Linguistics"",
    doi = ""10.18653/v1/P17-1017"",
    pages = ""179--188"",
    url = ""https://www.aclweb.org/anthology/P17-1017.pdf""
}