TechQA 数据集
计算与语言
2019-11-11 v1 信息检索
摘要
我们介绍 TechQA，一个面向技术支持领域的领域自适应问答数据集。TechQA 语料凸显了自动化客户支持领域的两个现实问题。首先，它包含用户在技术论坛上提出的真实问题，而非专为竞赛或任务生成的问题。其次，它具有现实规模——600 条训练、310 条开发以及 490 条评估问答对——从而反映了使用实际数据创建大型标注数据集的成本。因此，TechQA 旨在刺激领域自适应研究，而非作为从零构建 QA 系统的资源。该数据集通过爬取 IBM Developer 与 IBM DeveloperWorks 论坛中获得采纳答案、且出现在已发布 IBM Technote（解决特定技术问题的技术文档）中的问题而获得。我们还发布了截至 2019 年 4 月 4 日共 801,998 篇公开可用 Technote 的集合作为配套资源，可用于预训练或学习 IT 领域语言的表示。
引用
@article{arxiv.1911.02984,
title = {The TechQA Dataset},
author = {Vittorio Castelli and Rishav Chakravarti and Saswati Dana and Anthony Ferritto and Radu Florian and Martin Franz and Dinesh Garg and Dinesh Khandelwal and Scott McCarley and Mike McCawley and Mohamed Nasr and Lin Pan and Cezar Pendus and John Pitrelli and Saurabh Pujar and Salim Roukos and Andrzej Sakrajda and Avirup Sil and Rosario Uceda-Sosa and Todd Ward and Rong Zhang},
journal= {arXiv preprint arXiv:1911.02984},
year = {2019}
}
备注
Long version of conference paper to be submitted