oeg/CelebA_RoBERTa_Sp

该数据集包含250,000个条目，每个条目由一对西班牙语句子及其相似度值（范围0到1）组成。这些句子是对CelebA数据集中人脸的文本描述，并已从英语翻译成西班牙语。数据集用于训练sentence-transformer库，以提高RoBERTa-large-bne基础模型的效率。生成过程包括翻译、随机选择句子对并计算相似度值，最终保存为西班牙语文本和相似度值的组合。

原始信息汇总

数据集概述

数据集名称

• 名称: RoBERTa+CelebA training corpus in Spanish
• 别名: CelebA_RoBERTa_Sp

数据集属性

• 语言: 西班牙语 (es)
• 标签: CelebA, Spanish, celebFaces attributes, face detection, face recognition
• 任务类别: table-question-answering, question-answering, translation, text2text-generation
• 大小: 100M<n<1B

数据集内容

• 描述: 包含250,000个条目，每个条目由一对西班牙语句子及其相似度值（范围0至1）组成。这些句子是对CelebA数据集中人脸的文本描述，已从英语翻译成西班牙语。

• 生成过程:

  • 首先将原始英语文本翻译成西班牙语。
  • 实施算法随机选择两句并计算其相似度值，使用Spacy进行相似度计算。
  • 由于Spacy和大多数相似度计算库仅支持英语，算法还包括从原始英语数据集中选择句子对。
  • 最终训练集由西班牙语文本和相似度得分组成。

• 结构: 每个条目由三个部分组成，使用“|”分隔：

  SentenceA | Sentence B | similarity value

使用许可

• 许可: Apache License 2.0

引用信息

• 引用: 若在工作中使用此数据集，请引用发表在《Information Processing and Management》的论文： bib @article{YAURILOZANO2024103667, title = {Generative Adversarial Networks for text-to-face synthesis & generation: A quantitative–qualitative analysis of Natural Language Processing encoders for Spanish}, journal = {Information Processing & Management}, volume = {61}, number = {3}, pages = {103667}, year = {2024}, doi = {https://doi.org/10.1016/j.ipm.2024.103667}, author = {Eduardo Yauri-Lozano and Manuel Castillo-Cara and Luis Orozco-Barbosa and Raúl García-Castro} }

数据集作者

• Eduardo Yauri Lozano
• Manuel Castillo-Cara
• Raúl García-Castro