theblackcat102/crossvalidated-posts

该数据集包含stats.stackexchange.com网站在2023年8月30日之前的所有帖子，格式为Markdown文本。数据来源于Internet Archive StackExchange Data Dump，并遵循mikex86/stackoverflow-posts的格式。每个记录对应一个帖子，包含多个字段如Id, PostTypeId, Body等，支持的任务类别包括问答、文本生成和文本到文本的生成。

原始信息汇总

数据集概述

数据集结构

数据字段

• Id: 字符串类型，帖子唯一标识符。
• PostTypeId: 字符串类型，帖子类型标识符（1=问题, 2=回答, 3=孤立标签维基, 4=标签维基摘录, 5=标签维基, 6=版主提名, 7=维基占位符, 8=特权维基）。
• AcceptedAnswerId: 字符串类型，仅在PostTypeId=1时存在，表示被接受的回答ID。
• ParentId: 字符串类型，仅在PostTypeId=2时存在，表示父帖子ID。
• Score: 字符串类型，帖子得分。
• ViewCount: 字符串类型，帖子浏览次数。
• Body: 字符串类型，帖子内容，以Markdown格式存储。
• Title: 字符串类型，帖子标题。
• ContentLicense: 字符串类型，帖子内容许可。
• FavoriteCount: 字符串类型，帖子被收藏次数。
• CreationDate: 字符串类型，帖子创建日期。
• LastActivityDate: 字符串类型，帖子最后活动日期。
• LastEditDate: 字符串类型，帖子最后编辑日期。
• LastEditorUserId: 字符串类型，最后编辑帖子的用户ID。
• OwnerUserId: 字符串类型，帖子所有者用户ID。
• Tags: 字符串序列类型，帖子标签。

数据分割

• train: 训练集，包含411232个样本，总大小为566804417字节。

数据集大小

• 下载大小: 311064786字节
• 数据集大小: 566804417字节

语言

• 代码
• 英语

任务类别

• 问答
• 文本生成
• 文本到文本生成

标签

• 代码