ccdv/mediasum|对话摘要数据集|自然语言处理数据集

hugging_face2022-10-25 更新2024-03-04 收录

对话摘要

自然语言处理

下载链接：

https://hf-mirror.com/datasets/ccdv/mediasum

下载链接

链接失效反馈

资源简介：

MediaSum是一个大规模的媒体访谈数据集，专门用于对话摘要任务。该数据集包含超过44万训练实例和各1万个验证及测试实例。数据集支持多种配置，允许用户根据需要选择不同的文档连接方式，并且可以预置说话者名称。每个数据集实例包含文档id、文档内容和摘要三个主要字段。

提供机构：

ccdv

原始信息汇总

MediaSum Dataset Summary

Dataset Overview

Language: English
Multilinguality: Monolingual
Size Categories: 100K<n<1M
Task Categories:
- Summarization
- Text2Text-Generation
Tags: Conditional-Text-Generation

Dataset Details

Source: Copied from MediaSum: A Large-scale Media Interview Dataset for Dialogue Summarization
Compatibility: Compatible with the run_summarization.py script from Transformers.

Configurations

Available Configs:
- roberta: Concatenates documents with "</s>"
- newline: Concatenates documents with " "
- bert: Concatenates documents with "[SEP]"
- list: Returns the list of documents instead of a single string
Prepended Configs:
- Adds _prepended to config name to prepend the speaker name before each dialogue: speaker: text. Default is roberta_prepended.

Data Fields

id: Paper ID
document: String/list containing the body of a set of documents
summary: String containing the abstract of the set

Data Splits

Splits: train, validation, and test
Number of Instances:
- Train: 443596
- Validation: 10000
- Test: 10000

用户留言

有没有相关的论文或文献参考？

这个数据集是基于什么背景创建的？

数据集的作者是谁？

能帮我联系到这个数据集的作者吗？

这个数据集如何下载？

点击留言

数据主题

具身智能

数据集 4098个

机构 8个

大模型

数据集 439个

机构 10个

无人机

数据集 37个

机构 6个

指令微调

数据集 36个

机构 6个

蛋白质结构

数据集 50个

机构 8个

空间智能

数据集 21个

机构 5个

5,000+

优质数据集

54 个

任务类型

进入经典数据集

热门数据集

ICESat-2 Data

ICESat-2 Data 是由美国国家航空航天局（NASA）发布的卫星数据集，主要用于全球冰层和陆地高程的测量。该数据集包括高精度激光测高数据，用于研究冰川、海冰、植被和地形变化。

icesat-2.gsfc.nasa.gov 收录

HazyDet

HazyDet是由解放军工程大学等机构创建的一个大规模数据集，专门用于雾霾场景下的无人机视角物体检测。该数据集包含383,000个真实世界实例，收集自自然雾霾环境和正常场景中人工添加的雾霾效果，以模拟恶劣天气条件。数据集的创建过程结合了深度估计和大气散射模型，确保了数据的真实性和多样性。HazyDet主要应用于无人机在恶劣天气条件下的物体检测，旨在提高无人机在复杂环境中的感知能力。

arXiv 收录

TCIA

TCIA（The Cancer Imaging Archive）是一个公开的癌症影像数据集，包含多种癌症类型的医学影像数据，如CT、MRI、PET等。这些数据通常与临床和病理信息相结合，用于癌症研究和临床试验。

www.cancerimagingarchive.net 收录

jpft/danbooru2023

Danbooru2023是一个大规模的动漫图像数据集，包含超过500万张由爱好者社区贡献并详细标注的图像。图像标签涵盖角色、场景、版权、艺术家等方面，平均每张图像有30个标签。该数据集可用于训练图像分类、多标签标注、角色检测、生成模型等多种计算机视觉任务。数据集基于danbooru2021构建，扩展至包含ID #6,857,737的图像，增加了超过180万张新图像，总大小约为8TB。图像以原始格式提供，分为1000个子目录，使用图像ID的模1000进行分桶，以避免文件系统性能问题。

hugging_face 收录

CE-CSL

CE-CSL数据集是由哈尔滨工程大学智能科学与工程学院创建的中文连续手语数据集，旨在解决现有数据集在复杂环境下的局限性。该数据集包含5,988个从日常生活场景中收集的连续手语视频片段，涵盖超过70种不同的复杂背景，确保了数据集的代表性和泛化能力。数据集的创建过程严格遵循实际应用导向，通过收集大量真实场景下的手语视频材料，覆盖了广泛的情境变化和环境复杂性。CE-CSL数据集主要应用于连续手语识别领域，旨在提高手语识别技术在复杂环境中的准确性和效率，促进聋人与听人社区之间的无障碍沟通。

arXiv 收录