guannanjiayou/china-rd-expenditure-categorization-dataset

---
language:
- zh
license: mit
pretty_name: China R&D Expenditure Categorization (Chinese)
tags:
- finance
- classification
- information-extraction
- instruction
task_categories:
- text-classification
---

## Summary

本数据集用于 **企业所得税研发费用** 凭证文本的预分类/归集建议任务：给定费用凭证的简要信息（科目/摘要/部门/金额/收款方等），输出结构化预分析结果，供下游规则引擎与人工复核使用。

当前仓库包含两份 JSONL：

- **`data/train_samples.jsonl`**：人工/示例样本（相对少量）
- **`data/train_generated.jsonl`**：模型生成的扩充样本（相对多量），每条带 `generated: true`

## Data format

每行是一个 JSON 对象，核心字段如下：

- **`messages`**：对话格式（system/user/assistant）
- `system`：任务说明与输出字段规范
- `user`：一条费用凭证的文本化输入
- `assistant`：**只输出合法 JSON 字符串**（结构化预分类结果）
- **`category`**：该样本的归集科目标签（用于训练/评估的外部标签）
- **`difficulty`**：难度（简单/中等/困难）
- **`generated`**：是否为生成数据（仅在生成集里出现，布尔）
- **`scenario`**：场景标签（仅在生成集里出现，字符串）

### Assistant JSON schema (inside `messages[].content`)

`assistant` 的 `content` 是一个 JSON 字符串，字段约定：

- **`nature`**：费用性质（人工费|材料费|设备折旧|无形资产摊销|服务费|其他）
- **`activity`**：活动类型（研发|非研发|混合|不明）
- **`category`**：建议归集科目（人员人工|直接投入|折旧摊销|无形资产摊销|设计装备调试|委托境内|委托境外|其他相关|不得归集|待判断）
- **`confidence`**：置信度（高|中|低）
- **`flags`**：需关注事项列表（字符串数组）

## Recommended label set

`category`（外部标签）常见取值包括：

- 人员人工、直接投入、折旧摊销、无形资产摊销、设计装备调试、委托境内、委托境外、其他相关、不得归集、待判断

## License

MIT License（见 `LICENSE`）。