chinese dataset | BriefGPT - AI 论文速递

关键词chinese dataset

搜索结果 - 13

EMNLPDiNeR: 用于评估组合泛化的大规模真实数据集
通过提出 DIsh NamE Recognition（DiNeR）任务和创建一个大规模、逼真的中文数据集，本文将通过菜名识别任务来探索复合泛化，并提供了两种基于 T5 和大型语言模型的基准方法，为菜名识别任务提供一项具有挑战性的任务和解决思
PDFa month ago
揭示基于 LLM 的中文开源数据集上的 ASR 潜力
基于大型语言模型的自动语音识别研究，探索了多种配置下的语音编码器、语言模型和投影模块对 ASR 性能的影响，采用三阶段训练方法实现了在中文数据集上的最佳表现，为未来 LLM 基于 ASR 系统的研究提供了实证基础和性能优化的见解。
PDF2 months ago
AAAICFEVER：一个中文事实抽取和验证数据集
CFEVER 是一个中文数据集，用于事实提取和验证，利用中文维基百科的内容手动创建了 30,012 个声明，并标记为 “支持”、“反驳” 或 “信息不足”，同时提供详细的证据句子。这个数据集通过 Fleiss' kappa 值（0.7934
PDF4 months ago
基于大型语言模型的中国金融细粒度情感分析
本文提出了一个针对金融领域的中文纤细粒度情感分析数据集，用于企业预警，并利用开源的大语言模型对其进行了全面评估和实验。
PDFa year ago
Sticker820K: 通过表情包强化交互检索
提出了一个大规模的中文贴纸数据集，Sticker820K，以及一个基于该数据集的 StickerCLIP 模型，其在贴纸数据集上的文本到图像检索任务中表现出强大的优势，并引入了 prompt tuning 技术扩展 LLM 模型的能力。
PDFa year ago
SeSQL：又一个大规模中文会话级文本到 SQL 数据集
本文介绍一个新的中文会话级别的大规模文本到 SQL 数据集 SeSQL，并将其用作单轮多数据库文本到 SQL 解析任务的最大数据集。
PDF2 years ago
CLTS+: 一个新的中文长文本摘要数据集，具有生成式摘要
为提高模型的创造能力，该研究构建了含超过 180K 篇文章 - 摘要对的具有高度抽象性的中文长文本摘要数据集（CLTS+），并提出了一种基于共现词的评估该数据集的内在度量方法。
PDF2 years ago
EMNLPDuReader_retrieval: 一个基于网络搜索引擎的大规模中文段落检索基准
本文介绍了一个大型的中文数据集 DuReader_retrieval，旨在解决其他数据集的不足之处并确保质量，其中包含来自商业搜索引擎的 90K 条查询和超过 8M 个唯一段落，并对开发和测试集中的结果进行手动注释以减少假阴性，并提供用于跨
PDF2 years ago
SIGIRMulti-CPR: 一个用于篇章检索的多领域中文数据集
本文介绍了一种新型的多领域中文数据集，用于特定领域的段落检索，并发现针对特定领域进行训练的检索模型可以明显提高性能，这表明了领域标注数据的必要性。
PDF2 years ago
EMNLPCSDS：面向客服对话摘要的细粒度中文数据集
本研究介绍了一个新的用于客服对话摘要的中文数据集 ——CSDS，通过生成整个对话的总体摘要和角色导向的摘要来改进摘要。实验证明，现有的方法在生成冗余和不连贯摘要方面容易出现问题，而本数据集的作用是为了为中文对话摘要提供一个基准，并且有望惠及
PDF3 years ago
ACL吹哨人：一个包含常识和世界知识的汉语数据集用于方言理解
本文提出大规模、多样化的中文数据集，用于从计算的语言学角度创建和理解非正式语言。同时，我们确立了一个任务以及提供了相应数据、数量和质量分析。实验表明，这一任务需要深度语言理解、常识和世界知识，并可以成为预训练语言模型的良好测试基准，从而帮助
PDF3 years ago
KDDM6：一个中文多模态预训练模型
本研究构建了最大的中文多模态预训练数据集，提出了一个跨模态预训练方法 M6，并在众多应用领域中展示了其优异性能和高质量图像生成能力。
PDF3 years ago
COS960：960 个中文词语相似度数据集
本文提出了一个基于中文词汇的数据集 COS960，用于测试两个及以上由两个以上语素构成的词汇的相似度。我们详细描述了数据集的构建过程和标注过程，并对一系列词嵌入模型进行了测试。
PDF5 years ago