tuetschek/e2e_nlg|自然语言生成数据集|文本生成数据集

hugging_face2024-01-18 更新2024-05-25 收录

自然语言生成

文本生成

下载链接：

https://hf-mirror.com/datasets/tuetschek/e2e_nlg

下载链接

链接失效反馈

资源简介：

E2E数据集用于训练端到端的数据驱动自然语言生成系统，特别是在餐厅领域。该数据集比该领域常用的现有数据集大十倍。E2E数据集提出了新的挑战：其人类参考文本显示出更多的词汇丰富性和句法变化，包括话语现象；从该集合生成需要内容选择。因此，从该数据集中学习有望产生更自然、更多样化且较少模板化的系统话语。

提供机构：

tuetschek

原始信息汇总

数据集概述

数据集名称

名称: End-to-End NLG Challenge
别名: E2E

数据集基本信息

语言: 英语 (en)
许可证: cc-by-sa-4.0
多语言性: 单语
大小: 10K<n<100K
源数据: 原始数据
任务类别: text2text-generation
任务ID: 无
标签: meaning-representation-to-text

数据集结构

特征:
- meaning_representation: 字符串类型，包含餐厅信息的槽和值。
- human_reference: 字符串类型，描述餐厅信息的人类参考文本。
数据分割:
- 训练集: 42061个实例，9435824字节。
- 验证集: 4672个实例，1171723字节。
- 测试集: 4693个实例，1320205字节。
- 总下载大小: 11812316字节
- 数据集总大小: 11927752字节

数据集创建

注释创建者: 众包
语言创建者: 众包
初始数据收集和标准化: 使用CrowdFlower平台，遵循Novikova et al. (2016)进行质量控制。
注释过程: 使用图片作为刺激，以产生更自然、信息丰富和措辞良好的参考文本。

使用数据集的考虑

支持的任务: 从意义表达到文本的文本生成，用于餐厅领域的描述生成。
评估指标: BLEU, NIST, METEOR, ROUGE-L, CIDEr
基线模型: TGen模型，具体分数如下:

指标分数

BLEU 0.6593

NIST 8.6094

METEOR 0.4483

ROUGE_L 0.6850

CIDEr 2.2338

附加信息

数据集维护者: @lhoestq
引用信息: 见README文件中的引用格式。

用户留言

有没有相关的论文或文献参考？

这个数据集是基于什么背景创建的？

数据集的作者是谁？

能帮我联系到这个数据集的作者吗？

这个数据集如何下载？

点击留言

数据主题

具身智能

数据集 4098个

机构 8个

大模型

数据集 439个

机构 10个

无人机

数据集 37个

机构 6个

指令微调

数据集 36个

机构 6个

蛋白质结构

数据集 50个

机构 8个

空间智能

数据集 21个

机构 5个

5,000+

优质数据集

54 个

任务类型

进入经典数据集

热门数据集

Figshare

Figshare是一个在线数据共享平台，允许研究人员上传和共享各种类型的研究成果，包括数据集、论文、图像、视频等。它旨在促进科学研究的开放性和可重复性。

figshare.com 收录

Asteroids by the Minor Planet Center

包含所有已知小行星的轨道数据和观测数据。数据来源于Minor Planet Center，格式包括Fortran (.DAT)和JSON，数据集大小为81MB（压缩）和450MB（未压缩），记录数约750,000条，每日更新。

github 收录

12306车次数据库

本数据库包含12306车次相关的详细信息，如车次代码、车站代码、列车基本信息和时刻表信息等。数据已按车次等级整理，并提供多种格式的数据文件，方便用户根据实际需求调用。

github 收录

UniProt

UniProt（Universal Protein Resource）是全球公认的蛋白质序列与功能信息权威数据库，由欧洲生物信息学研究所（EBI）、瑞士生物信息学研究所（SIB）和美国蛋白质信息资源中心（PIR）联合运营。该数据库以其广度和深度兼备的蛋白质信息资源闻名，整合了实验验证的高质量数据与大规模预测的自动注释内容，涵盖从分子序列、结构到功能的全面信息。UniProt核心包括注释详尽的UniProtKB知识库（分为人工校验的Swiss-Prot和自动生成的TrEMBL），以及支持高效序列聚类分析的UniRef和全局蛋白质序列归档的UniParc。其卓越的数据质量和多样化的检索工具，为基础研究和药物研发提供了无可替代的支持，成为生物学研究中不可或缺的资源。

www.uniprot.org 收录

KAIST dataset

KAIST数据集，用于多光谱行人检测。

github 收录

指标	分数
BLEU	0.6593
NIST	8.6094
METEOR	0.4483
ROUGE_L	0.6850
CIDEr	2.2338