chrystians/dataset

该数据集包含多个特征，如消息ID、父ID、用户ID、创建日期、文本内容、角色、语言、评论次数、评论结果、是否删除、排名、是否合成、模型名称、毒性分析（包括身份攻击、侮辱、淫秽、严重毒性、性暗示、威胁、毒性）、消息树ID、树状态、表情符号（包括计数和名称）、标签（包括计数、名称和值）。数据集分为训练集和验证集，训练集包含28320个样本，验证集包含1291个样本。

原始信息汇总

数据集概述

数据特征

• 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，包含以下字段：
  • 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，包含以下字段：
  • 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，包含以下字段：
  • 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

• train:
  • 字节数: 30670882
  • 样本数: 28320
• validation:
  • 字节数: 1414743
  • 样本数: 1291

数据集大小

• 下载大小: 11572068 字节
• 数据集大小: 32085625 字节

配置

• default:
  • 数据文件:
    • train: data/train-*
    • validation: data/validation-*