UnderstandLing/oasst1_bn

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、评论数量、评论结果、删除状态、排名、是否为合成数据、模型名称、毒性分析、消息树ID、树状态、表情符号和标签等。数据集分为训练集和验证集，训练集包含83078个样本，验证集包含3946个样本，总大小为123448675字节。

原始信息汇总

数据集概述

许可证

• Apache 2.0

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

分割

• train:
  • 字节数: 117761745
  • 样本数: 83078
• validation:
  • 字节数: 5686930
  • 样本数: 3946

数据集大小

• 下载大小: 31092337 字节
• 数据集大小: 123448675 字节

配置

• default:
  • data_files:
    • train: data/train-*
    • validation: data/validation-*