文件名称：InterpretEval:（几乎）所有NLP任务的可解释性评估
文件大小：13.84MB
文件格式：ZIP
更新时间：2024-05-12 10:51:26
HTML
由，，，和其他捐助。 该项目得到以下两项工作的支持： 最终产品： （更新中） 更新： 在CoNLL03上添加了一个SOTA NER系统和两个得分最高的系统，参阅。 感谢 和Stefan Schweter的分享成果。 1.动机问题 许多NLP任务的执行已达到稳定状态。 什么有效，下一步是什么？ XX解决了吗？ 还剩什么？ 一个好的评估指标不仅可以对不同的系统进行排名，还可以告诉他们它们之间的相对优势（优势和劣势）。 下一代Leaderboard ：具备强大的分析能力吗？ 2.可解释的评估方法 评估方法通常包括以下步骤。 2.1属性定义 以NER和CWS任务为例，我们为NER任务定义了8个属性，为CWS任务定义了7个属性。 ID 内尔 标准煤 1个 实体长度 字长 2个 句子长度 句子长度 3 OOV密度 OOV密度 4 代币频率 字符频率 5 实体频率
【文件预览】：
InterpretEval-master
----fig()
--------.DS_Store(6KB)
--------interpretEval.gif(1.26MB)
--------board.png(99KB)
--------yanshi.gif(8.42MB)
--------new.png(12KB)
--------ner.gif(166KB)
--------nlp.png(5KB)
----.DS_Store(10KB)
----README.md(7KB)
----interpretEval()
--------.DS_Store(12KB)
--------ner_overall_f1.py(6KB)
--------tensorEvaluation-ner.py(51KB)
--------img()
--------requirements.txt(49B)
--------analysis()
--------run_task_ner.sh(3KB)
--------__pycache__()
--------data()
--------conlleval(12KB)
--------output_tensorEval()