Bert几个数据集的概念Cola、MRPC、XNLI、MNLI等

一直在几个数据集之间犯晕，

【关于 Bert 源码解析III 之 微调 篇 】 那些的你不知道的事-技术圈

GLUE部分基准数据集介绍：RTE、MRPC、SST-2、QNLI、MNLI、QQP_skysys的研究小屋 -CSDN博客

GLUE共有九个任务，分别是CoLA、SST-2、MRPC、STS-B、QQP、MNLI、QNLI、RTE、WNLI。如下图图2所示，可以分为三类，分别是单句任务，相似性和释义任务

其中做了详细说明，我提取一下概念：

一、 句子对分类任务

1、Xnli :2个句子的关系推理，可以判断为一句话和另外一个话的关系；

目标：读取两句话，并判定两者间的关系是否为“蕴含”（Entailment）、“矛盾”（Contradict）或“中性”（Neutral）

return label()

2、RTE：推理的2分类任务

RTE(The Recognizing Textual Entailment datasets，识别文本蕴含数据集)

3、MRPC(The Microsoft Research Paraphrase Corpus，微软研究院释义语料库)，相似性和释义任务，是一个判断0、1的任务，也可以理解为二分类，但是这个是2句话是否类似或者一致。以说明句子对中的句子在语义上是否等效。

4、MNLIMNLI(The Multi-Genre Natural Language Inference Corpus, 多类型自然语言推理数据库)，自然语言推断任务，3分类任务，有先后句子关系；任务：句子对，一个前提，一个是假设。前提和假设的关系有三种情况：蕴含（entailment），矛盾（contradiction），中立（neutral）。句子对三分类问题。bert作者希望用SNLI作为辅助训练

5、QQP(The Quora Question Pairs, Quora问题对数集)，相似性和释义任务，是社区问答网站Quora中问题对的集合。任务是确定一对问题在语义上是否等效，2分类任务；句子对，等效、不等效两种情况。

6、STS-B语义文本相似性基准（The Semantic Textual Similarity Benchmark）是从新闻头条和其他来源提取的句子对的集合。它们用1到5的分数来标注，表示这两个句子在语义上有多相似。任务是2个句子的相似度1-5

二、单句子分类任务

7、SST-2(The Stanford Sentiment Treebank，斯坦福情感树库)，单句子分类任务，包含电影评论中的句子和它们情感的人类注释。也是一个2分类任务，0，1

8、Cola :二分类，比如单条文章的情感分析

return ["0", "1"]

三、问答任务

9、SQuAD v1.1 ,V2.0 斯坦福问答数据集（Stanford Question Answering Dataset）是10万个问题/答案对的集合。给定一个问题以及Wikipedia中包含答案的段落，任务是预测段落中的答案文本范围（start，end）

• 简单问题：对答案的简单匹配和抽取(SUQAD1.0)
• 复杂问题：加入推理(SQUAD2.0的部分)

10、QNLI(Qusetion-answering NLI，问答自然语言推断)，自然语言推断任务，2个语句的2分类任务，判断问题（question）和句子（sentence，维基百科段落中的一句）是否蕴含，蕴含和不蕴含，二分类

四、单句子标注任务

单句子标注任务也叫命名实体识别任务（Named Entity Recognition），简称NER

NLP的四大类任务

（1）序列标注：分词、实体识别、语义标注……
（2）分类任务：文本分类、情感计算……
（3）句子关系判断：entailment、QA、自然语言推理
（4）生成式任务：机器翻译、文本摘

Bert主要模型：

MNLI：蕴含关系推断
QQP：问题对是否等价
QNLI：句子是都回答问句
SST-2：情感分析
CoLA：句子语言性判断
STS-B：语义相似
MRPC：句子对是都语义等价
RTE：蕴含关系推断
WNLI：蕴含关系推断