Datasets:
Tasks:
Token Classification
Languages:
French
Multilinguality:
monolingual
Size Categories:
10K<n<100K
Language Creators:
found
Annotations Creators:
found
Source Datasets:
universal_dependencies_fr_sequoia
License:
| language: | |
| - fr | |
| license: lgpl | |
| size_categories: | |
| - 10K<n<100K | |
| task_categories: | |
| - token-classification | |
| tags: | |
| - pos | |
| - DFP | |
| - french prompts | |
| annotations_creators: | |
| - found | |
| language_creators: | |
| - found | |
| multilinguality: | |
| - monolingual | |
| source_datasets: | |
| - universal_dependencies_fr_sequoia | |
| # universal_dependencies_fr_sequoia_fr_prompt_pos | |
| ## Summary | |
| **universal_dependencies_fr_sequoia_fr_prompt_pos** is a subset of the [**Dataset of French Prompts (DFP)**](https://huggingface.co/datasets/CATIE-AQ/DFP). | |
| It contains **27,804** rows that can be used for a part-of-speech task. | |
| The original data (without prompts) comes from the dataset [universal_dependencies](https://huggingface.co/datasets/universal_dependencies) where only the French sequoia split has been kept. | |
| A list of prompts (see below) was then applied in order to build the input and target columns and thus obtain the same format as the [xP3](https://huggingface.co/datasets/bigscience/xP3) dataset by Muennighoff et al. | |
| ## Prompts used | |
| ### List | |
| 21 prompts were created for this dataset. The logic applied consists in proposing prompts in the indicative tense, in the form of tutoiement and in the form of vouvoiement. | |
| ``` | |
| 'Extraire les classes des mots du texte suivant : '+text, | |
| 'Extrais les classes des mots du texte suivant : '+text, | |
| 'Extrayez les classes des mots du texte suivant : '+text, | |
| 'Isoler les classes des mots du texte suivant : '+text, | |
| 'Isole les classes des mots du texte suivant : '+text, | |
| 'Isolez les classes des mots du texte suivant : '+text, | |
| 'Dégager les classes des mots dans le texte : '+text, | |
| 'Dégage les classes des mots dans le texte : '+text, | |
| 'Dégagez les classes des mots dans le texte : '+text, | |
| 'Générer les classes des mots issues du texte suivant : '+text, | |
| 'Génère les classes des mots issues du texte suivant : '+text, | |
| 'Générez les classes des mots issues du texte suivant : '+text, | |
| 'Trouver les classes des mots du texte : '+text, | |
| 'Trouve les classes des mots du texte : '+text, | |
| 'Trouvez les classes des mots du texte : '+text, | |
| 'Repérer les classes des mots présentes dans le texte suivant : '+text, | |
| 'Repère les classes des mots présentes dans le texte suivant : '+text, | |
| 'Repérez les classes des mots présentes dans le texte suivant : '+text, | |
| 'Indiquer les classes des mots du texte :'+text, | |
| 'Indique les classes des mots du texte : '+text, | |
| 'Indiquez les classes des mots du texte : '+text | |
| ``` | |
| ### Features used in the prompts | |
| In the prompt list above, `text` and `targets` have been constructed from: | |
| ``` | |
| fr_sequoia = load_dataset('universal_dependencies', 'fr_sequoia') | |
| # text | |
| fr_sequoia['train']['tokens'] = list(map(lambda i: ' '.join(fr_sequoia['train']['tokens'][i]), range(len(fr_sequoia['train']['tokens'])))) | |
| # targets | |
| fr_sequoia['train']['upos'] = list(map(lambda x: x.replace("[","").replace("]","").replace('17','AUX').replace('16','VERB').replace('15','INTJ').replace('14','ADV').replace('13','_').replace('12','X').replace('11','PRON').replace('10','PROPN').replace('9','CCONJ').replace('8','DET').replace('7','PART').replace('6','ADJ').replace('5','SCONJ').replace('4','SYM').replace('3','NUM').replace('2','ADP').replace('1','PUNCT').replace('0','NOUN'), map(str,fr_sequoia['train']['upos']))) | |
| ``` | |
| # Splits | |
| - `train` with 9,576 samples | |
| - `valid` with 8,652 samples | |
| - `test` with 9,576 samples | |
| # How to use? | |
| ``` | |
| from datasets import load_dataset | |
| dataset = load_dataset("CATIE-AQ/universal_dependencies_fr_sequoia_fr_prompt_pos") | |
| ``` | |
| # Citation | |
| ## Original data | |
| > @inproceedings{candito:hal-00698938, | |
| TITLE = {{Le corpus Sequoia : annotation syntaxique et exploitation pour l'adaptation d'analyseur par pont lexical}}, | |
| AUTHOR = {Candito, Marie and Seddah, Djam{\'e}}, | |
| URL = {https://inria.hal.science/hal-00698938}, | |
| BOOKTITLE = {{TALN 2012 - 19e conf{\'e}rence sur le Traitement Automatique des Langues Naturelles}}, | |
| ADDRESS = {Grenoble, France}, | |
| YEAR = {2012}, | |
| MONTH = Jun, | |
| PDF = {https://inria.hal.science/hal-00698938/file/canditoseddah-taln2012-final.pdf}, | |
| HAL_ID = {hal-00698938}, | |
| HAL_VERSION = {v1}, | |
| } | |
| ## This Dataset | |
| > @misc {centre_aquitain_des_technologies_de_l'information_et_electroniques_2023, | |
| author = { {Centre Aquitain des Technologies de l'Information et Electroniques} }, | |
| title = { DFP (Revision 1d24c09) }, | |
| year = 2023, | |
| url = { https://huggingface.co/datasets/CATIE-AQ/DFP }, | |
| doi = { 10.57967/hf/1200 }, | |
| publisher = { Hugging Face } | |
| } | |
| ## License | |
| LGPL-LR |