MicPie/unpredictable_cluster01

UnpredicTable数据集由互联网表格格式化而成的few-shot任务组成，旨在通过微调语言模型来提高其在few-shot任务中的表现。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本包含不同数量的任务和表格。数据集的任务类型广泛，包括多项选择、问答、表格问答、文本分类等。数据集的结构为每个任务包含多个few-shot示例，每个示例包含输入、选项和输出字段。数据集的创建基于WDC Web Table Corpus，并通过自动提取任务来生成few-shot学习任务。数据集未进行人工标注，但部分子集进行了质量评级。数据集可能包含敏感信息，使用时需谨慎。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster01
• 别名: UnpredicTable数据集的集群子集之一

数据集基本信息

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

数据集任务类型

• 任务类型:
  • 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-问答
  • 抽取式问答
  • 开放领域问答
  • 封闭领域问答
  • 封闭书本问答
  • 开放书本问答
  • 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

数据集内容描述

• 内容概述: UnpredicTable数据集包含从网页表格中提取的少量样本任务，用于微调语言模型以提高其少量样本性能。
• 数据集版本:
  • UnpredicTable-full: 包含413,299个任务，来自23,744个独特网站。
  • UnpredicTable-unique: 与UnpredicTable-full相同，但每个网站最多一个任务。
  • UnpredicTable-5k: 包含5,000个随机选择的表格。
  • 根据人工质量评分的子集:
    • UnpredicTable-rated-low
    • UnpredicTable-rated-medium
    • UnpredicTable-rated-high
  • 根据网站来源的子集:
    • 多个特定网站的数据集子集
  • 根据聚类分析的子集:
    • 多个集群编号的数据集子集

数据集结构

• 数据实例: 每个任务以jsonline文件形式表示，包含多个少量样本示例。
• 数据字段:
  • task: 任务标识符
  • input: 表格中特定行的列元素
  • options: 多选项分类的选择项
  • output: 与输入同一行的目标列元素
  • pageTitle: 包含表格的页面标题
  • outputColName: 输出列名
  • url: 包含表格的网站URL
  • wdcFile: WDC Web Table Corpus文件

数据集创建

• 来源数据: 数据来自WDC Web Table Corpus 2015的英语关系子集。
• 注释过程: 仅对特定子集进行了人工注释以评估任务质量。
• 个人和敏感信息: 数据未经过滤，可能包含敏感信息。

使用数据注意事项

• 社会影响: 数据集用于研究，可能包含不真实或不适当的内容。
• 偏见讨论: 数据集可能包含有害偏见和文本，未进行偏见分析。

附加信息

• 数据集管理者: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 引用信息: 参见提供的引用信息。