幾個CNN/DM數據集的地址:
- 【萬x之源】最初版本的CNN/DM:https://cs.nyu.edu/~kcho/DMQA/
- 作者兄弟用來創造非匿名數據集的代碼:https://github.com/abisee/cnn-dailymail
- 這位兄弟提供了處理完的數據:https://github.com/JafferWilson/Process-Data-of-CNN-DailyMail
關於CNN/DM數據集的描述:
- 之前的老哥用的匿名版本(anonymized,把人名地名那些都替換成@entity...)
- 這位大兄弟開始用非匿名版本(non-anonymized, 扔給模型自己消化吧~)
- 第一個用非匿名版本的論文在此:Get To The Point: Summarization with Pointer-Generator Networks
看看這些數據長啥樣
原始數據(前面是正文,@highlight是標準摘要)
abisee大兄弟的腳本做了什麼(下圖是初始化的一些變量):
- 創建了cnn_stories_tokenized和dm_stories_tokenized兩個文件夾
- 把cnn/stories和dailymail/stories的全部文章用stanford-corenlp分詞,扔進上面兩個文件夾
- 全部轉成小寫,然後根據all_train.txt,all_val.txt,all_test.txt(把cnn和dailymail各自的train/val/test合併後得到all_xxx)創建訓練集(287226),驗證集(13368)和測試集(11490),其中裏面的url和文件名是通過SHA1進行比對的。
- 把以上分別存到train.bin,val.bin,test.bin這三個二進制文件中。這個過程中,文章和摘要分別連成一長串話,摘要每句話前後都有分隔符,形式如:【正文】 first sent . sencond sent .【摘要】<s> first summary </s> <s> second summary </s>
- 根據訓練集形成vocab詞彙表,存在finished_files裏
- 上面三個bin太大了,各自分塊,1000條數據一個chunk,比如train_000.bin, train_001.bin, ..., train_287.bin
- 分塊之後存到finished_files/chunked裏,結束。形成下面部分要說的三個文件。
JafferWilson大哥處理完的數據:
上面同一篇文章,這是分詞之後的結果。