ტექსტური მსგავსების ორაკული

📚 მსგავსების ორაკული 🔮

დიდი სამეფოს ბიბლიოთეკაში, არქივისტები უფრო და უფრო რთულ ამოცანას აწყდებიან:
ათასობით ხელნაწერი, პარგამენტი და ძველი ქრონიკა უნდა მოეწყოს, შეედაროს და ინდექსირდეს.

მათ დასახმარებლად, წინაპრებმა შექმნეს ლეგენდარული მექანიზმი: მსგავსების ორაკული. ეს არის
მოწყობილობა, რომელსაც შეუძლია განსაზღვროს, შესანიშნავი სიზუსტით, რამდენად ჰგავს
ერთმანეთს ტექსტის ორი ფრაგმენტი, აბრუნებს ქულას 0-დან 5-მდე.

მაგრამ მექანიზმი დროთა განმავლობაში დაზიანდა, და არქივისტთა დიდმა საბჭომ გადაწყვიტა, რომ საჭიროა
თანამედროვე ვერსია, აშენებული მანქანური სწავლების გამოყენებით.

ამისთვის, შენს განკარგულებაში მოგეცა ორი ფაილი:

• train.csv - ხელით ანოტირებული პარგამენტები მწერლების მიერ
• test.csv - ახალი წყვილები, რომლებიც უნდა გაანალიზოს შენმა გადაწყვეტილებამ

შენი ამოცანაა აღადგინო ორაკული ანალიზების სერიისა და საბოლოო პრედიქციული მოდელის მეშვეობით.

📊 მონაცემთა ნაკრები

train.csv და test.csv ფაილების თითოეული რიგი წარმოადგენს წინადადებების წყვილს:

• sampleID – წყვილის უნიკალური იდენტიფიკატორი
• sentence1 – პირველი ტექსტი
• sentence2 – მეორე ტექსტი
• score – მხოლოდ train.csv-ში, რეალური მნიშვნელობა 0-დან 5-მდე, რომელიც მსგავსებას აღნიშნავს

საბოლოო მიზანია score-ის პრედიქცია test.csv-ის თითოეული რიგისთვის.

📝 ამოცანები

პირველი ქვეამოცანებისთვის, უნდა გაანალიზოთ train.csv და test.csv-ში მოცემული მონაცემები
და ამოიღოთ სხვადასხვა შესაბამისი ინფორმაცია ტესტის წინადადებების შესახებ.

ქვეამოცანა 1 (10 ქულა)

გამოთვალეთ თითოეული წინადადების სიგრძე (sentence1 და sentence2) ტესტის ნაკრების თითოეული რიგისთვის
და მონიშნეთ წყვილი საშუალო სიგრძის მიხედვით:

• Short თუ საშუალო < 50
• Medium თუ 50 ≤ საშუალო < 100
• Long თუ საშუალო ≥ 100

ქვეამოცანა 2 (15 ქულა)

ტესტის თითოეული რიგისთვის, გამოთვალეთ სიტყვების რაოდენობა თითოეულ წინადადებაში (sentence1 და sentence2) და განსაზღვრეთ მთლიანი რაოდენობა ფორმულის მიხედვით:

1მთლიანი_რაოდენობა = სიტყვების_რაოდენობა(sentence1) + სიტყვების_რაოდენობა(sentence2)

ქვეამოცანა 3 (15 ქულა)

განსაზღვრეთ აბსოლუტური განსხვავება sentence1-ის სიგრძესა და sentence2-ის სიგრძეს შორის
ტესტის თითოეული რიგისთვის.

სხვა სიტყვებით, თითოეული რიგისთვის უნდა გამოვთვალოთ:

1|სიმბოლოების_რაოდენობა(sentence1) - სიმბოლოების_რაოდენობა(sentence2)|

ქვეამოცანა 4 (60 ქულა)

ააშენეთ მანქანური სწავლების მოდელი, რომელსაც შეუძლია რიცხვითი მნიშვნელობის score-ის პრედიქცია
test.csv-ის თითოეული რიგისთვის.

საბოლოო შეფასება გაკეთდება MAE (Mean Absolute Error)-ის გამოყენებით, რომელიც ითვლება ასე:

🧮 შეფასება

ქვეამოცანა 4-ის მეტრიკაა:

• MAE (Mean Absolute Error) (რაც უფრო მცირეა მნიშვნელობა, მით მეტი ქულა იქნება).
• თუ მოდელი იღებს MAE ≤ 0.65, გადაწყვეტილება იღებს 60 ქულას.
• თუ მოდელი იღებს MAE ≥ 2.0, გადაწყვეტილება იღებს 0 ქულას.
• MAE-ის შუალედური მნიშვნელობებისთვის, ქულები ითვლება პროპორციულად.

ქვეამოცანები 1-3-ისთვის, პასუხები ფასდება ზუსტად.

📌 შენიშვნები

• დამუშავებები, როგორიცაა ტოკენიზაცია, ემბედინგები, წინასწარ ვარჯიშებული მოდელები დაშვებულია.

📄 წარდგენის ფაილის ფორმატი

submission.csv ფაილი უნდა შეიცავდეს 4 ხაზს ტესტის თითოეული რიგისთვის,
რომლებიც შეესაბამება 4 ქვეამოცანას.

სტრუქტურა:

1subtaskID datapointID answer

სვეტების მნიშვნელობა:

• subtaskID – რიცხვი 1-დან 4-მდე

• datapointID – sampleID ტესტიდან

• answer – შედეგი:

  • ქვეამოცანა 1: Short / Medium / Long
  • ქვეამოცანა 2: მთელი რიცხვი
  • ქვეამოცანა 3: მთელი რიცხვი
  • ქვეამოცანა 4: რეალური მნიშვნელობა (პრედიქციული ქულა)

მაგალითი sampleID = 1714-ისთვის:

1subtaskID datapointID answer21 1714 Medium32 1714 1543 1714 354 1714 3.74

წარმატებები! არქივისტთა დიდი საბჭო თქვენზე ამყარებს იმედებს მსგავსების ორაკულის აღორძინებისთვის! 🧙‍♂️