AdamLucek/youtube-titles

Youtube标题与描述数据集包含4941个视频，覆盖50个YouTube频道。数据集被随机打乱并均匀采样，分为训练集（4199个）、验证集（493个）和测试集（249个）。每个数据条目包含频道名称、频道URL、频道ID、视频标题、视频ID、视频描述的前500个字符、用于生成标题的提示以及为gemma 2 9b指令调优模型微调准备的格式化提示和标题组合。提示条目是通过GPT-4生成的，基于视频标题和描述反向生成可能的提示。

This dataset contains 4941 videos from 50 different YouTube channels. It is divided into training, validation, and test sets with 4199, 493, and 249 samples respectively. Each video in the dataset includes the channel name, channel URL, channel ID, video title, video ID, the first 500 characters of the video description, a prompt for generating the title, and a formatted prompt and title combination for a specific model. The prompts were generated by gpt-4 for training a title-generating assistant.

原始信息汇总

Youtube Title & Descriptions Dataset

概述

• 视频数量: 4941个
• 频道数量: 50个
• 语言: 英语
• 标签: 艺术
• 数据量: 1K<n<10K
• 任务类别: 文本生成
• 许可证: MIT

数据集划分

• 训练集: 4199个样本
• 验证集: 493个样本
• 测试集: 249个样本

数据字段

• channel_name: 频道名称
• channel_url: 频道URL
• channel_id: 频道唯一标识符
• video_title: 视频标题
• video_id: 视频唯一标识符
• video_description: 视频描述的前500个字符
• prompt: 用于生成标题的合理提示（用于LLM训练）
• gemma2_9b_it_format: 为gemma 2 9b指令微调模型格式化的提示和标题组合

数据生成

• prompt字段: 由gpt-4生成，使用特定系统提示，根据视频标题和描述生成合理提示。