Datasets:
Languages:
Chinese
Size:
10K<n<100K
| import datasets | |
| import json | |
| from typing import List | |
| from typing import Union | |
| _LICENSE = """ | |
| ## 第二届中文空间语义理解评测 SpaCE2022 数据集使用许可 | |
| 由 北京大学计算语言学研究所 授权给（使用者） | |
| #### 一 | |
| 1. 任何使用本数据集的主体都需要知晓、理解并同意本许可的全部内容。 | |
| 2. 传播本数据集的主体必须同时提供本许可并要求传播受众知晓、理解并同意本许可的全部内容。 | |
| 3. 使用本数据集即代表知晓、理解并同意本许可的全部内容。 | |
| #### 二 | |
| 1. 本数据集的版权归北京大学计算语言学研究所（下简称“版权所有者”）所有。 | |
| 2. 本数据集将分阶段在 第二届中文空间语义理解评测 SpaCE2022 活动中发布。 | |
| 3. 版权所有者对本数据集内容有权进行任何修改，修改后，如无特殊说明，使用者仍需遵守本许可的条款。 | |
| 4. 版权所有者对本数据集的名称、网站等相关信息、材料等有权进行任何修改，修改后，如无特殊说明，使用者仍需遵守本许可的条款。 | |
| #### 三 | |
| 1. 本数据集仅供以下用途使用： | |
| (1) 参赛选手在比赛中使用。参看《[第二届中文空间语义理解评测 SpaCE2022 参赛协议](https://github.com/2030NLP/SpaCE2022/blob/main/Agreement.md)》。 | |
| (2) 高校、科研机构在科学研究中使用。 | |
| 2. 本数据集禁止用于任何商业目的，不提供任何形式的商业授权。除了在参与第二届中文空间语义理解评测 SpaCE2022 的过程中为参赛而使用本数据集，公司或其他商业机构禁止使用本数据集。 | |
| 3. 使用本数据进行科学研究，发表论文或其他材料时应注明来源信息，如：“本研究使用了北京大学组织的第二届中文空间语义理解评测提供的 SpaCE2022 数据集”，并在参考文献中引用版权所有者的评测报告论文（**请关注举办方后续的论文发表情况**）。 | |
| #### 四 | |
| 1. 本许可证的最终解释权归属于版权所有者。 | |
| 北京大学计算语言学研究所 | |
| 2022年5月23日 | |
| """ | |
| _DESCRIPTION = """SpaCE2022""" | |
| _CITATION = """ """ | |
| _DESCRIPTION_TASK1 = """SpaCE2022 Task1""" | |
| _DESCRIPTION_TASK2 = """SpaCE2022 Task2""" | |
| _DESCRIPTION_TASK3 = """SpaCE2022 Task3""" | |
| _DESCRIPTION_DICT = { | |
| 'task1': _DESCRIPTION_TASK1, | |
| 'task2': _DESCRIPTION_TASK2, | |
| 'task3': _DESCRIPTION_TASK3, | |
| } | |
| # _URLS_ROOT = "https://huggingface.co/datasets/2030NLP/SpaCE2022/raw/main/" | |
| _URLS_ROOT = "./" | |
| _URLS_DICT = { | |
| 'task1': { | |
| 'train': _URLS_ROOT + "data/task1/task1_train.jsonl", | |
| 'dev': _URLS_ROOT + "data/task1/task1_dev.jsonl", | |
| }, | |
| 'task2': { | |
| 'train': _URLS_ROOT + "data/task2/task2_train.jsonl", | |
| 'dev': _URLS_ROOT + "data/task2/task2_dev.jsonl", | |
| }, | |
| 'task3': { | |
| 'train': _URLS_ROOT + "data/task3/task3_train.jsonl", | |
| 'dev': _URLS_ROOT + "data/task3/task3_dev.jsonl", | |
| }, | |
| } | |
| XXXX = datasets.Sequence([{ | |
| 'text': datasets.Sequence(datasets.Value('string')), | |
| 'idxes': datasets.Sequence(datasets.Value('int32')), | |
| }]) | |
| _FEATURES_DICT = { | |
| 'task1': { | |
| "qid": datasets.Value(dtype="string"), | |
| "context": datasets.Value(dtype="string"), | |
| "judge": datasets.Value(dtype="int8"), | |
| }, | |
| 'task2': { | |
| "qid": datasets.Value(dtype="string"), | |
| "context": datasets.Value(dtype="string"), | |
| "reasons": datasets.Sequence( | |
| feature={ | |
| "fragments": datasets.Sequence( | |
| feature={ | |
| "role": datasets.ClassLabel(num_classes=11, names=['S', 'P', 'E', 'S1', 'P1', 'E1', 'S2', 'P2', 'E2', 'text1', 'text2']), | |
| "text": datasets.Value(dtype="string"), | |
| "idxes": datasets.Sequence(datasets.Value("int32")), | |
| }, | |
| ), | |
| "type": datasets.ClassLabel(num_classes=3, names=['A', 'B', 'C']), | |
| }, | |
| ), | |
| }, | |
| 'task3': { | |
| "qid": datasets.Value(dtype="string"), | |
| "context": datasets.Value(dtype="string"), | |
| "corefs": datasets.Sequence(datasets.Sequence(feature={ | |
| "text": datasets.Value("string"), | |
| "idxes": datasets.Sequence(datasets.Value("int32")), | |
| })), | |
| "non_corefs": datasets.Sequence(datasets.Sequence(feature={ | |
| "text": datasets.Value("string"), | |
| "idxes": datasets.Sequence(datasets.Value("int32")), | |
| })), | |
| # "outputs": datasets.Sequence(datasets.Sequence(feature={ | |
| # "text": datasets.Value("string"), | |
| # "idxes": datasets.Sequence(datasets.Value("int32")), | |
| # })), | |
| "outputs": datasets.Sequence(datasets.Sequence(feature={})), | |
| }, | |
| } | |
| _split_name_map = { | |
| 'train': datasets.Split.TRAIN, | |
| 'dev': datasets.Split.VALIDATION, | |
| 'test': datasets.Split.TEST, | |
| } | |
| class SpaCE2022Config(datasets.BuilderConfig): | |
| """BuilderConfig for SpaCE2022.""" | |
| def __init__(self, splits, **kwargs): | |
| # Version history: | |
| # 1.4.0: final version used in SpaCE2022 Eval. | |
| super().__init__(version=datasets.Version("1.4.0"), **kwargs) | |
| self.splits = splits | |
| class SpaCE2022(datasets.GeneratorBasedBuilder): | |
| """The SpaCE2022 benchmark.""" | |
| BUILDER_CONFIGS = [ | |
| SpaCE2022Config( | |
| name="task1", | |
| splits=['train', 'dev'], | |
| ), | |
| SpaCE2022Config( | |
| name="task2", | |
| splits=['train', 'dev'], | |
| ), | |
| # SpaCE2022Config( | |
| # name="task3", | |
| # splits=['train', 'dev'], | |
| # ), | |
| ] | |
| def _info(self): | |
| return datasets.DatasetInfo( | |
| description=_DESCRIPTION_DICT[self.config.name], | |
| features=datasets.Features(_FEATURES_DICT[self.config.name]), | |
| homepage="https://2030nlp.github.io/SpaCE2022/", | |
| citation=_CITATION, | |
| license=_LICENSE, | |
| ) | |
| def _split_generators(self, dl_manager: datasets.DownloadManager) -> List[datasets.SplitGenerator]: | |
| # 在 hugging face 中如何为 dataset 创建 _split_generators 函数？ | |
| split_things = [] | |
| for split_name in self.config.splits: | |
| # print('') | |
| split_data_path = _URLS_DICT[self.config.name][split_name] | |
| # print(split_data_path) | |
| filepath = dl_manager.download(split_data_path) | |
| # print(filepath) | |
| # print('') | |
| split_thing = datasets.SplitGenerator( | |
| name=_split_name_map[split_name], | |
| gen_kwargs={ | |
| "task": self.config.name, | |
| "filepath": filepath, | |
| "split": split_name, | |
| } | |
| ) | |
| split_things.append(split_thing) | |
| return split_things | |
| def _generate_examples(self, task, filepath, split): | |
| try: | |
| with open(filepath, encoding="utf-8") as ff: | |
| keys = _FEATURES_DICT[task].keys() | |
| for idx, line in enumerate(ff): | |
| example = json.loads(line.strip()) | |
| example = {kk: example[kk] for kk in keys if kk in example} | |
| print('') | |
| print(example) | |
| print('') | |
| qid = example.get("qid") | |
| # print(qid) | |
| jj = (split == qid.split("-")[1]) | |
| # print(jj) | |
| if jj: | |
| yield qid, example | |
| except Exception as error: | |
| print(error) | |