first commit

.gitattributes

@@ -25,3 +25,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zstandard filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+*.txt filter=lfs diff=lfs merge=lfs -text

QR-AN.py

@@ -0,0 +1,148 @@
+import json
+import os
+
+import datasets
+from datasets.tasks import TextClassification
+
+
+_CITATION = None
+
+
+_DESCRIPTION = """\
+ QR-AN Dataset: a classification dataset on french Parliament debates
+ This is a dataset for theme/topic classification, made of questions and answers from https://www2.assemblee-nationale.fr/recherche/resultats_questions.
+ It contains 188 unbalanced classes, 80k questions-answers divided into 3 splits: train (60k), val (10k) and test (10k).
+"""
+
+_LABELS = [
+    'administration', 'agriculture', 'agroalimentaire', 'aménagement du territoire', 'anciens combattants et victimes de guerre', 
+    'animaux', 'aquaculture et pêche professionnelle', 'architecture', 'archives et bibliothèques', 'armes', 'arts et spectacles', 
+    'associations', 'assurance invalidité décès', 'assurance maladie maternité : généralités', 'assurance maladie maternité : prestations', 
+    'assurances', 'audiovisuel et communication', 'automobiles et cycles', 'avortement', 'banques et établissements financiers', 
+    'bâtiment et travaux publics', 'baux', 'bioéthique', 'bois et forêts', "bourses d'études", 'cérémonies publiques et fêtes légales', 
+    'chambres consulaires', 'chasse et pêche', 'chômage : indemnisation', 'collectivités territoriales', 'commerce et artisanat', 
+    'commerce extérieur', 'communes', 'consommation', 'contributions indirectes', 'coopération intercommunale', 'copropriété', 
+    'corps diplomatique et consulaire', "cours d'eau, étangs et lacs", 'cultes', 'culture', 'déchéances et incapacités', 
+    'déchets, pollution et nuisances', 'décorations, insignes et emblèmes', 'défense', 'démographie', 'départements', 
+    'donations et successions', 'drogue', 'droit pénal', "droits de l'Homme et libertés publiques", 'eau', 'économie sociale', 
+    'éducation physique et sportive', 'élections et référendums', 'élevage', 'emploi', 'énergie et carburants', 'enfants', 
+    'enregistrement et timbre', 'enseignement', 'enseignement : personnel', 'enseignement agricole', 
+    'enseignement maternel et primaire', 'enseignement maternel et primaire : personnel', 'enseignement privé', 
+    'enseignement secondaire', 'enseignement secondaire : personnel', 'enseignement supérieur', 
+    'enseignement supérieur : personnel', 'enseignement technique et professionnel', 
+    'enseignement technique et professionnel : personnel', 'enseignements artistiques', 
+    'entreprises', 'environnement', 'ésotérisme', 'espace', 'établissements de santé', 'État', 
+    'état civil', 'étrangers', 'famille', 'femmes', 'finances publiques', "fonction publique de l'État", 
+    'fonction publique hospitalière', 'fonction publique territoriale', 'fonctionnaires et agents publics',
+    'formation professionnelle', "Français de l'étranger", 'frontaliers', 'gendarmerie', 'gens du voyage', 
+    'grandes écoles', 'handicapés', 'heure légale', 'hôtellerie et restauration', 'impôt de solidarité sur la fortune', 
+    'impôt sur le revenu', 'impôt sur les sociétés', 'impôts et taxes', 'impôts locaux', 'industrie', 'informatique', 
+    'institutions sociales et médico-sociales', 'jeunes', 'jeux et paris', 'justice', 'langue française', 'logement', 
+    'logement : aides et prêts', 'marchés financiers', 'marchés publics', 'matières premières', 'médecines parallèles', 
+    'mer et littoral', 'mines et carrières', "ministères et secrétariats d'État", 'mort', 'moyens de paiement', 'nationalité', 
+    'ordre public', 'organisations internationales', 'outre-mer', "papiers d'identité", 'Parlement', 
+    'partis et mouvements politiques', 'patrimoine culturel', "pensions militaires d'invalidité", 'personnes âgées', 
+    'pharmacie et médicaments', 'plus-values : imposition', 'police', 'politique économique', 'politique extérieure', 
+    'politique sociale', 'politiques communautaires', 'postes', 'préretraites', 'presse et livres', 'prestations familiales', 
+    'produits dangereux', 'professions de santé', 'professions immobilières', 'professions judiciaires et juridiques', 
+    'professions libérales', 'professions sociales', 'propriété', 'propriété intellectuelle', 'publicité', 'rapatriés', 
+    'recherche', 'régions', 'relations internationales', 'retraites : fonctionnaires civils et militaires', 
+    'retraites : généralités', 'retraites : régime agricole', 'retraites : régime général', 'retraites : régimes autonomes et spéciaux', 
+    'risques professionnels', 'saisies et sûretés', 'sang et organes humains', 'santé', 'secteur public', 'sécurité publique', 
+    'sécurité routière', 'sécurité sociale', 'services', 'sociétés', 'sports', 'syndicats', 'système pénitentiaire', 'taxis', 
+    'télécommunications', 'tourisme et loisirs', 'traités et conventions', 'transports', 'transports aériens', 
+    'transports ferroviaires', 'transports par eau', 'transports routiers', 'transports urbains', 'travail', 'TVA', 
+    'Union européenne', 'urbanisme', 'ventes et échanges', 'voirie'
+    ]
+
+
+class QRANConfig(datasets.BuilderConfig):
+    """BuilderConfig for QR-AN."""
+
+    def __init__(self, **kwargs):
+        """BuilderConfig for QR-AN.
+        Args:
+          **kwargs: keyword arguments forwarded to super.
+        """
+        super(QRANConfig, self).__init__(**kwargs)
+
+
+class QRANDataset(datasets.GeneratorBasedBuilder):
+    """QR-AN Dataset: Topic dataset on french Parliament questions-answers."""
+    
+    _DOWNLOAD_URL = "https://huggingface.co/datasets/cassandra-themis/QR-AN/resolve/main/"
+    _TRAIN_FILE = "train_data.txt"
+    _VAL_FILE = "val_data.txt"
+    _TEST_FILE = "test_data.txt"
+    _LABELS_DICT = {label: i for i, label in enumerate(_LABELS)}
+
+    BUILDER_CONFIGS = [
+        QRANConfig(
+            name="qran_answer",
+            version=datasets.Version("1.0.0"),
+            description="QRAN Dataset: A classification task of French Parliament questions-answers",
+        ),
+        QRANConfig(
+            name="qran_question",
+            version=datasets.Version("1.0.0"),
+            description="QRAN Dataset: A classification task of French Parliament questions-answers",
+        ),
+        QRANConfig(
+            name="qran_full",
+            version=datasets.Version("1.0.0"),
+            description="QRAN Dataset: A classification task of French Parliament questions-answers",
+        )
+    ]
+
+    DEFAULT_CONFIG_NAME = "qran_answer"
+
+    def _info(self):
+        return datasets.DatasetInfo(
+            description=_DESCRIPTION,
+            features=datasets.Features(
+                {
+                    "text": datasets.Value("string"),
+                    #"question": datasets.Value("string"),
+                    #"answer": datasets.Value("string"),
+                    #"label_name": datasets.Value("string"),
+                    "label": datasets.features.ClassLabel(names=_LABELS),
+                }
+            ),
+            supervised_keys=None,
+            citation=_CITATION,
+            task_templates=[TextClassification(
+                text_column="text", label_column="label")],
+        )
+
+    def _split_generators(self, dl_manager):
+        train_path = dl_manager.download_and_extract(self._DOWNLOAD_URL + self._TRAIN_FILE)
+        val_path = dl_manager.download_and_extract(self._DOWNLOAD_URL + self._VAL_FILE)
+        test_path = dl_manager.download_and_extract(self._DOWNLOAD_URL + self._TEST_FILE)
+        
+        return [
+            datasets.SplitGenerator(
+                name=datasets.Split.TRAIN, gen_kwargs={"filepath": train_path}
+            ),
+            datasets.SplitGenerator(
+                name=datasets.Split.VALIDATION, gen_kwargs={"filepath": val_path}
+            ),
+            datasets.SplitGenerator(
+                name=datasets.Split.TEST, gen_kwargs={"filepath": test_path}
+            ),
+        ]
+    
+    def _generate_examples(self, filepath):
+        """Generate QRAN examples."""
+        with open(filepath, encoding="utf-8") as f:
+            for id_, row in enumerate(f):
+                data = json.loads(row)
+                answer, question = data["answer"], data["question"]
+                label = self._LABELS_DICT[data["label_name"]]
+
+                if self.config.name == "qran_answer":
+                    text = answer
+                elif self.config.name == "qran_question":
+                    text = question
+                else:
+                    text = question + " " + answer
+                yield id_, {"text": text, "label": label}

README.md

@@ -0,0 +1,4 @@
+## QR-AN Dataset: a classification dataset of french Parliament questions-answers. \
+
+This is a dataset for theme/topic classification, made of questions and answers from https://www2.assemblee-nationale.fr/recherche/resultats_questions . \
+It contains 188 unbalanced classes, 80k questions-answers divided into 3 splits: train (60k), val (10k) and test (10k).

rubriques.txt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:6ab9f70d7f22e54727b878986a55e3ea38f62179caf376c754a0c270e259ca65
+size 3823

test_data.txt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2df2acf22defcd9b49ff17a19c229b7532151665ad88466dd9031684dd39a697
+size 46038010

train_data.txt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:cbeb132d8c3f07b8b8100aa901ea0c11b000c512902317cefd465dc86d42c23d
+size 294128158

val_data.txt

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:8d22e95b90b05f3a14b02e5a429aa7a7f38a3997e8601b177a8f6b989c3663af
+size 46150814