somosnlp/recetasdelaabuela_it

---
license: openrail
dataset_info:
features:
- name: question
dtype: string
- name: answer
dtype: string
splits:
- name: train
num_bytes: 18728921.868359473
num_examples: 18514
download_size: 10026323
dataset_size: 18728921.868359473
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
task_categories:
- question-answering
language:
- es
tags:
- food
size_categories:
- 10K<n<100K
---
# Nombre del dataset
Este dataset se llama 'RecetasDeLaAbuel@' y es un homenaje a todas nuestr@s abuel@s que nos han enseñado a cocinar. Se trata de la mayor y más completa colección de recetas open-source en español de países hispanoamericanos.

# Descripción

Dataset creado on el objetivo de entrenar un modelo que pueda recomendar recetas de paises hispanohablantes. Nuestra IA responderá a cuestiones de los sigientes tipos: 'Qué puedo cocinar con 3 ingredientes?', 'Dime una comida de temporada para este mes de Marzo?' , 'Sugiere un menú semanal vegetariano', 'Propón un menú mensual para una familia'

Este dataset es una version limpia del dataset [somosnlp/recetasdelaabuela_genstruct_it](https://huggingface.co/datasets/somosnlp/recetasdelaabuela_genstruct_it) que fue elaborado a partir de un contexto usando Genstruct-7B y distilabel. El dataset original es [somosnlp/RecetasDeLaAbuela](https://huggingface.co/datasets/somosnlp/RecetasDeLaAbuela) elaborado por el equipo recetasdelaabuela mediante web scraping.

## Notebook utilizada
Elaborado con el [colab](https://colab.research.google.com/drive/1-7OY5ORmOw0Uy_uazXDDqjWWkwCKvWbL?usp=sharing).

## Dataset Structure

Consiste en dos columnas: question , answer
- question: pregunta del usuario
- anwer: respuesta brindada por el modelo

## Dataset Creation
Este trabajo se ha basado y es continuación del trabajo desarrollado en el siguiente corpus durante el Hackhaton somosnlp 2023: [recetas-cocina](https://huggingface.co/datasets/somosnlp/recetas-cocina)

### Curation Rationale

Se filtaron aquellas respuestas que estaban vacias de momento, a futuro se planea reemplazarlas usando la herramienta argilla

### Source Data

- https://www.elmueble.com/
- https://www.yanuq.com/
- https://www.directoalpaladar.com/
- https://www.recetasgratis.net/
- https://cookpad.com/pe/

#### Data Collection and Processing

Se realizo web scraping de las paginas

原始信息汇总

数据集概述

基本信息

• 名称: RecetasDeLaAbuel@
• 许可证: openrail
• 语言: 西班牙语 (es)
• 任务类别: 问答 (question-answering)
• 标签: 食物 (food)
• 大小类别: 10K<n<100K

数据集结构

• 特征:
  • question: 用户的问题，数据类型为字符串
  • answer: 模型的回答，数据类型为字符串

数据集大小

• 下载大小: 10026323 字节
• 数据集大小: 18728921.868359473 字节
• 训练集:
  • 示例数量: 18514
  • 字节数: 18728921.868359473

数据集配置

• 配置名称: default
• 数据文件:
  • 分割: train
  • 路径: data/train-*

数据集创建

• 来源数据:
  • https://www.elmueble.com/
  • https://www.yanuq.com/
  • https://www.directoalpaladar.com/
  • https://www.recetasgratis.net/
  • https://cookpad.com/pe/
• 数据收集和处理: 通过网页抓取 (web scraping) 收集数据
• 筛选理由: 目前筛选掉了空白的回答，未来计划使用工具 argilla 替换这些空白回答