AgentWaller/openassistant-guanaco-en-translated

该数据集包含多种特征，如消息ID、用户ID、创建日期、文本内容等，以及与消息相关的各种属性，如角色、语言、评论次数、审核结果等。数据集还包含了对消息的情感分析和标签信息，如身份攻击、侮辱、淫秽、严重毒性等指标。数据集被分为训练集和验证集，分别有29329和1536个样本。

许可证：Apache-2.0许可证
数据集信息：
特征：
- 消息ID（message_id）：字符串类型
- 父消息ID（parent_id）：字符串类型
- 用户ID（user_id）：字符串类型
- 创建日期（created_date）：字符串类型
- 文本内容（text）：字符串类型
- 角色（role）：字符串类型
- 语言（lang）：字符串类型
- 审核次数（review_count）：64位整数类型
- 审核结果（review_result）：布尔类型
- 是否已删除（deleted）：布尔类型
- 排名（rank）：64位整数类型
- 是否为合成数据（synthetic）：布尔类型
- 模型名称（model_name）：空值类型
- 毒性检测（Detoxify）结构体：
- 身份攻击评分（identity_attack）：64位浮点数类型
- 侮辱评分（insult）：64位浮点数类型
- 淫秽内容评分（obscene）：64位浮点数类型
- 严重毒性评分（severe_toxicity）：64位浮点数类型
- 露骨性内容评分（sexual_explicit）：64位浮点数类型
- 威胁评分（threat）：64位浮点数类型
- 总体毒性评分（toxicity）：64位浮点数类型
- 消息树ID（message_tree_id）：字符串类型
- 消息树状态（tree_state）：字符串类型
- 表情符号（emojis）结构体：
- 计数序列（count）：整数序列类型
- 名称序列（name）：字符串序列类型
- 标签（labels）结构体：
- 计数序列（count）：整数序列类型
- 名称序列（name）：字符串序列类型
- 标签值序列（value）：浮点数序列类型
数据集划分：
- 训练集（train）：字节数32780237，样本量29329
- 验证集（validation）：字节数1724911，样本量1536
下载大小：13607387字节，数据集总大小：34505148字节

原始信息汇总

数据集概述

数据集特征

• message_id: 字符串类型
• parent_id: 字符串类型
• user_id: 字符串类型
• created_date: 字符串类型
• text: 字符串类型
• role: 字符串类型
• lang: 字符串类型
• review_count: 整数类型
• review_result: 布尔类型
• deleted: 布尔类型
• rank: 整数类型
• synthetic: 布尔类型
• model_name: 空值类型
• detoxify: 结构类型，包含以下子特征：
  • identity_attack: 浮点数类型
  • insult: 浮点数类型
  • obscene: 浮点数类型
  • severe_toxicity: 浮点数类型
  • sexual_explicit: 浮点数类型
  • threat: 浮点数类型
  • toxicity: 浮点数类型
• message_tree_id: 字符串类型
• tree_state: 字符串类型
• emojis: 结构类型，包含以下子特征：
  • count: 序列整数类型
  • name: 序列字符串类型
• labels: 结构类型，包含以下子特征：
  • count: 序列整数类型
  • name: 序列字符串类型
  • value: 序列浮点数类型

数据集划分

• train: 数据大小32780237字节，示例数29329
• validation: 数据大小1724911字节，示例数1536

数据集大小

• 下载大小: 13607387字节
• 数据集大小: 34505148字节

许可证

• Apache-2.0