Seongsooo/toxic_preprocess

这是一个有毒文本分类数据集，数据集来源包括多个公开的资源，如GitHub和Hugging Face上的项目。数据集被简单地分为句子和标签两部分，便于直接使用。需要注意的是，即使向数据提供者提出请求，也可能不会得到响应。

This is a toxic text classification dataset. The sources of the datasets include several public resources such as projects on GitHub and Hugging Face. The dataset is simply divided into sentences and labels, making it convenient to use as is. Please note that there is a high possibility that they may not respond even if a request is made.

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 训练集: data/train-*
  • 测试集: data/test-*

数据集信息

• 特征:
  • index: 数据类型为int64
  • sentence: 数据类型为string
  • label: 数据类型为string
• 数据分割:
  • 训练集:
    • 字节数: 40066412
    • 样本数: 302202
  • 测试集:
    • 字节数: 4487211
    • 样本数: 33581
• 下载大小: 27439226
• 数据集总大小: 44553623

数据集来源

• https://github.com/microsoft/TOXIGEN
• https://huggingface.co/datasets/tdavidson/hate_speech_offensive
• https://github.com/SALT-NLP/implicit-hate
• https://huggingface.co/datasets/OxAISH-AL-LLM/wiki_toxic