Preskočiť na obsah
DatasetText

Slovak STS Synthetic

Ide o syntetický slovenský súbor údajov určený pre úlohu sémantickej textovej podobnosti (STS).

Otvoriť na Hugging Face

Môžem to použiť?

Licencia dovoľuje len nekomerčné použitie.

O zdroji

Ide o syntetický slovenský súbor údajov určený pre úlohu sémantickej textovej podobnosti (STS). Každý pár pozostáva z vety zo súboru údajov Slovak Summarization a vygenerovanej vety vytvorenej nástrojom GPT-5. GPT-5 mal vygenerovať šesť viet na každú pôvodnú vetu (zo SlovakSum) pre každé skóre podobnosti (0-5). Každá pôvodná veta musela obsahovať aspoň 60 znakov a nie viac ako 200 znakov a musela pozostávať z jednej vety. Celkovo bolo vygenerovaných 6 594 párov viet. Po vygenerovaní viet bola z súboru údajov vybraná náhodná vzorka 300 párov viet. Z každého skóre podobnosti bolo vybraných päťdesiat párov. Vzorku anotovali traja anotátori. Každý anotátor dostal informácie o úlohe a vysvetlenia pre každé skóre STS, ako aj päť vzorových viet s vysvetleniami v pokynoch pre anotáciu. Všetci traja anotátori nezávisle anotovali rovnakú sadu 300 párov viet. Výsledný súbor údajov je rozdelený na dve časti: rozdelenie vlaku pozostávajúce z neanotovanej časti a testovacie rozdelenie pozostávajúce z anotovanej časti. Rozdelenie vlaku: { "sentence1": "Vrtuľník lietal nad národným parkom bez povolenia ochranárov, sťažovať sa chcú aj obce", "sentence2": "Vrtuľník lietal nad národným parkom bez súhlasu ochranárov a obce sa chcú tiež sťažovať.", "similarity_score": "4.666666667"}

Vidíš chybu alebo chýbajúci údaj? Napíš nám.
  • ModelBGE-M3

    BGE-M3 je nový embedovací model, ktorý sa vyznačuje svojou všestrannosťou v oblasti multilinguality, multifunkčnosti a multigranularity.

    • University of Science and Technology of China
    • BAAI
    Licencia neuvedená
  • DatasetSkMTEB

    SkMTEB je prvý komplexný benchmark na hodnotenie textových reprezentácií (embeddingov) v štýle MTEB pre slovenčinu – západoslovanský jazyk s obmedzenými zdrojmi a približne 5…

    • SlovakNLP Community
    CC BY 4.0
  • Ide o špecializovaný slovenský sentence-transformers model, ktorý mapuje vety a odseky do 384-rozmerného hustého vektorového priestoru a možno ho použiť na sémantickú textovú…

  • Ide o špecializovaný slovenský sentence-transformers model, ktorý mapuje vety a odseky do 384-rozmerného hustého vektorového priestoru a možno ho použiť na sémantickú textovú…

Ďalšie zdroje od tímu NLP KInIT

NLP KInIT