alka3tras/oasst1_CZ

该数据集包含多个特征字段，如消息ID、父消息ID、用户ID、创建日期、文本内容、角色、语言、审核次数、审核结果、是否删除、排名、是否合成、模型名称、毒性评估、消息树ID、树状态、表情符号和标签。毒性评估字段包含多个子字段，用于评估文本的毒性程度。数据集分为训练集和验证集，分别包含84436和4400个样本。数据集的总下载大小为28425225字节，总大小为84884908字节。

原始信息汇总

数据集概述

数据集信息

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: 64位整数类型
• review_result: 布尔类型
• deleted: 布尔类型
• rank: 64位浮点数类型
• synthetic: 布尔类型
• model_name: null类型
• detoxify: 结构体类型
  • identity_attack: 64位浮点数类型
  • insult: 64位浮点数类型
  • obscene: 64位浮点数类型
  • severe_toxicity: 64位浮点数类型
  • sexual_explicit: 64位浮点数类型
  • threat: 64位浮点数类型
  • toxicity: 64位浮点数类型
• message_tree_id: 字符串类型
• tree_state: 字符串类型
• emojis: 结构体类型
  • count: 序列化的64位整数类型
  • name: 序列化的字符串类型
• labels: 结构体类型
  • count: 序列化的64位整数类型
  • name: 序列化的字符串类型
  • value: 序列化的64位浮点数类型

数据分割

• validation:
  • 字节数: 4202477
  • 样本数: 4400
• train:
  • 字节数: 80682431
  • 样本数: 84436

数据集大小

• 下载大小: 28425225
• 数据集大小: 84884908

配置

• config_name: default
  • data_files:
    • validation: 路径为 data/validation-*
    • train: 路径为 data/train-*