جمع بندی

• توضیحات :

مجموعه داده خلاصه سازی SummScreen، نسخه بدون نام، بدون نشانه.

تقسیم‌بندی و فیلتر Train/val/test بر اساس مجموعه داده نهایی نشانه‌گذاری شده است، اما رونوشت‌ها و خلاصه‌های ارائه‌شده بر اساس متن غیرتوکن‌سازی شده است.

دو ویژگی وجود دارد:

• رونوشت: متن کامل قسمت، هر خط از گفتگو با خطوط جدید جدا شده است

• recap: خلاصه یا خلاصه اپیزودها

• صفحه اصلی : https://github.com/mingdachen/SummScreen

• کد منبع : tfds.datasets.summscreen.Builder

• نسخه ها :

  • 1.0.0 (پیش فرض): انتشار اولیه.

• حجم دانلود : 841.27 MiB

• کلیدهای نظارت شده (به as_supervised نظارت شده رجوع کنید): ('transcript', 'recap')

• شکل ( tfds.show_examples ): پشتیبانی نمی شود.

• نقل قول :

@article{DBLP:journals/corr/abs-2104-07091,
  author    = {Mingda Chen and
               Zewei Chu and
               Sam Wiseman and
               Kevin Gimpel},
  title     = {SummScreen: {A} Dataset for Abstractive Screenplay Summarization},
  journal   = {CoRR},
  volume    = {abs/2104.07091},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.07091},
  archivePrefix = {arXiv},
  eprint    = {2104.07091},
  timestamp = {Mon, 19 Apr 2021 16:45:47 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-07091.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

summscreen/fd (پیکربندی پیش فرض)

• توضیحات پیکربندی : ForeverDreaming

• حجم مجموعه داده : 132.99 MiB

• ذخیره خودکار ( اسناد ): بله

• تقسیم ها :

• ساختار ویژگی :

FeaturesDict({
    'episode_number': Text(shape=(), dtype=string),
    'episode_title': Text(shape=(), dtype=string),
    'recap': Text(shape=(), dtype=string),
    'show_title': Text(shape=(), dtype=string),
    'transcript': Text(shape=(), dtype=string),
    'transcript_author': Text(shape=(), dtype=string),
})

• مستندات ویژگی :

• مثال‌ها ( tfds.as_dataframe ):

summscreen/tms

• توضیحات پیکربندی : TVMegaSite

• حجم مجموعه داده : 592.53 MiB

• ذخیره خودکار ( اسناد ): خیر

• تقسیم ها :

• ساختار ویژگی :

FeaturesDict({
    'episode_summary': Text(shape=(), dtype=string),
    'recap': Text(shape=(), dtype=string),
    'recap_author': Text(shape=(), dtype=string),
    'show_title': Text(shape=(), dtype=string),
    'transcript': Text(shape=(), dtype=string),
    'transcript_author': Tensor(shape=(None,), dtype=string),
})

• مستندات ویژگی :

• مثال‌ها ( tfds.as_dataframe ):