MicPie/unpredictable_cluster07

UnpredicTable数据集由网络表格格式化而成的少样本任务组成，旨在通过微调语言模型来提高其在少样本学习中的表现。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本都有不同的任务数量和来源。数据集支持多种任务类型，如多项选择、问答、文本生成等。数据集的语言为英语，且没有额外的数据分割。数据集的创建是为了研究训练数据与少样本学习之间的关系，数据来源于WDC Web Table Corpus。数据集可能包含敏感信息，因此在使用时需要谨慎。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster07
• 别名: UnpredicTable数据集的子集，基于聚类分析

数据集属性

• 语言: 英语
• 许可证: Apache-2.0
• 多语言性: 单语种
• 大小类别: 100K<n<1M

数据集任务

• 任务类别:
  • 多项选择
  • 问答
  • 零样本分类
  • 文本到文本生成
  • 表格问答
  • 文本生成
  • 文本分类
  • 表格分类
• 具体任务ID:
  • 多项选择-QA
  • 抽取式QA
  • 开放域QA
  • 封闭域QA
  • 封闭书QA
  • 开放书QA
  • 语言建模
  • 多类分类
  • 自然语言推理
  • 主题分类
  • 多标签分类
  • 表格多类分类
  • 表格多标签分类

数据集结构

• 数据实例: 每个任务以jsonline文件形式表示，包含多个few-shot示例。每个示例包含task, input, options, output等字段。
• 数据字段:
  • task: 任务标识符
  • input: 表中特定行的列元素
  • options: 多选分类中的选项
  • output: 与输入同一行的目标列元素
  • pageTitle: 包含表的页面标题
  • outputColName: 输出列名
  • url: 包含表的网站URL
  • wdcFile: WDC Web Table Corpus文件
• 数据分割: 数据集未提供额外的数据分割。

数据集创建

• 来源数据: 数据集从WDC Web Table Corpus 2015中提取，该数据集包含50,820,165个表格，来自323,160个网站域名。
• 注释过程: 仅对特定子集进行了手动注释以评估任务质量。
• 个人和敏感信息: 数据集可能包含未过滤的个人和敏感信息，因为数据直接从网络表格中提取。

使用考虑

• 社会影响: 数据集用于研究训练数据与few-shot学习之间的关系，可能包含高质量和低质量数据，以及可能不真实或不适当的内容。
• 偏见讨论: 数据集可能包含网络表格中的有害偏见和文本，未进行偏见分析或内容过滤。

附加信息

• 数据集创建者: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 引用信息: 请参考提供的引用信息以正确引用数据集。