emrecan/nli_tr_for_simcse

该数据集是NLI-TR数据集的修改版本，用于训练Supervised SimCSE模型以生成句子嵌入。数据集生成过程包括合并snli_tr和multinli_tr子集的训练集，找到每个具有蕴含假设和矛盾假设的前提，并将找到的三元组写入sent0（前提）、sent1（蕴含假设）、hard_neg（矛盾假设）格式。该数据集适用于土耳其语句子的语义相似性评分和文本评分任务。

This dataset is a modified version of the NLI-TR dataset, intended for training Supervised SimCSE models to generate sentence embeddings. The dataset generation process includes merging the training splits of the snli_tr and multinli_tr subsets, identifying premises paired with both their entailment and contradiction hypotheses, and writing the obtained triples into the format of sent0 (premise), sent1 (entailment hypothesis), and hard_neg (contradiction hypothesis). This dataset is applicable to semantic similarity scoring and text scoring tasks for Turkish sentences.

原始信息汇总

数据集概述

基本信息

• 语言: 土耳其语 (tr)
• 大小: 10万至100万条记录
• 来源数据集: NLI-TR
• 任务类别: 文本分类
• 任务ID:
  • 语义相似度评分
  • 文本评分

数据集用途

用于训练监督式SimCSE模型，以生成句子嵌入。

数据处理步骤

1. 合并snli_tr和multinli_tr子集的训练分割。
2. 找出具有蕴含假设和矛盾假设的前提。
3. 将找到的三元组写入格式：sent0（前提），sent1（蕴含假设），hard_neg（矛盾假设）。