有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
lorinma/BAAI_OL-CC|中文问答数据集|对话系统数据集
收藏hugging_face2024-05-08 更新2024-06-12 收录
下载链接：
https://hf-mirror.com/datasets/lorinma/BAAI_OL-CC
下载链接
链接失效反馈资源简介：
OpenLabel-Chinese Conversations Dataset (OL-CC) 是一个以众包方式人工生成的开源中文对话指令集，包含超过10,000个‘指令-回答’对和1,600多个人工指令数据。数据集涵盖问答任务、文本写作、文本抽取、编辑改写、分类选择、头脑风暴、闲聊对话、逻辑&数学等多种任务类型。数据集的建设涉及276位志愿者的参与，他们分别扮演人类用户和AI助手的角色，完成指令发出和回答撰写的任务。数据集分为两个部分：完整的‘指令-回答’对和尚无回答的指令。
提供机构：
lorinma
原始信息汇总
数据集概述
基本信息
- 名称: OpenLabel-Chinese Conversations Dataset (OL-CC)
- 许可证: Apache-2.0
- 语言: 中文
- 数据量: 10K<n<100K
任务类别
- 问答
数据内容
- 包含10006个“指令-回答”对和1649个仅有指令的数据。
- 指令类型丰富，包括问答任务、文本写作、文本抽取、编辑改写、分类选择、头脑风暴、闲聊对话、逻辑&数学等任务。
数据收集方式
- 以众包方式、人工生成的开源中文对话指令集。
- 基于 openlabel.baai.ac.cn 开放平台进行数据收集。
参与者
- 截至目前，已有276位志愿者参与数据集的建设。
- 志愿者任务包括：
- 扮演人类用户向AI助手发出指令。
- 扮演AI助手根据上文指令撰写回答。
- 两个任务为异步任务，数据集分为两个部分：
- 完整的“指令-回答”对。
- 尚没有被回答的指令。
AI搜集汇总
数据集介绍
构建方式
在自然语言处理领域，尤其是对话系统的构建中，高质量的数据集至关重要。OL-CC数据集的构建采用众包模式，由276位志愿者共同参与完成。志愿者分别扮演人类用户与AI助手的角色，通过异步任务的方式，生成包含问答、写作、抽取、改写等多种类型的指令，以及对应的回答。这种构建方式确保了数据集的多样性和实用性。
使用方法
使用OL-CC数据集时，用户可以从其官网或相关平台下载两个部分的json文件：完整的‘指令-回答’对和未被回答的指令。数据集的开放性使得研究者可以方便地将其应用于对话系统的训练和评估中，也可以用于指令生成和理解的研究。用户需要遵守Apache-2.0协议，确保数据使用的合法性和合规性。
背景与挑战
背景概述
在自然语言处理领域，对话系统的构建与发展始终是核心研究课题之一。OL-CC数据集，全称为OpenLabel-Chinese Conversations Dataset，由北京智源人工智能研究院（BAAI）于众包模式下发起，并在openlabel.baai.ac.cn平台上收集而成。该数据集涵盖了超过一万对“指令-回答”数据以及超过1600个独立指令，旨在为中文对话系统提供丰富多样的训练材料。OL-CC数据集自发布以来，凭借其独特的构建方式和内容多样性，对推动中文自然语言理解和生成领域的研究产生了显著影响。
当前挑战
尽管OL-CC数据集为研究界提供了宝贵的资源，但在其构建与应用过程中亦面临多重挑战。首先，数据集的众包特性可能导致数据质量参差不齐，确保数据的准确性和一致性是一大挑战。其次，数据集分为两部分——完整的指令-回答对与未回答指令，如何有效利用这两部分数据以促进对话系统的双向学习，亦是一个待解难题。此外，随着技术的发展，对话系统的复杂性和多样性要求不断提高，数据集的更新与维护，以及如何适应新的技术需求，也是当前面临的挑战之一。
常用场景
经典使用场景
在自然语言处理领域，lorinma/BAAI_OL-CC数据集以其独特的众包方式人工生成的对话指令集，成为研究对话系统的重要资源。该数据集的经典使用场景主要在于构建和训练具有高度交互性的AI对话助手，通过模拟真实用户与AI的交流过程，为AI提供了丰富的语言理解和生成实践。
解决学术问题
该数据集有效解决了学术研究中对话系统训练样本不足、多样性不足的问题，为研究者提供了涵盖多种任务类型和复杂场景的对话数据。这对于提高对话系统的适应性、准确性和交互质量具有显著意义，推动了自然语言处理领域向着更自然、更智能的对话系统发展。
实际应用
在实际应用中，lorinma/BAAI_OL-CC数据集被广泛应用于智能客服、语音助手、聊天机器人等领域，极大地提升了这些系统在实际对话中的表现，增强了用户体验。此外，该数据集在教育培训、科学研究等领域同样具有重要应用价值。
数据集最近研究
最新研究方向
在自然语言处理领域，对话系统的研究与开发始终是热点话题。OL-CC数据集，作为首个众包方式人工生成的中文对话指令集，为该领域提供了珍贵的一手资源。近期研究集中于探索对话系统的指令理解与生成能力，特别是在复杂语境下的多轮对话处理。学者们利用OL-CC数据集，不仅提升了对话系统的响应质量和准确性，更在闲聊对话和逻辑&数学任务中取得了显著进展，这对于推动中文对话系统的智能化水平具有重要意义。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
Google Scholar
Google Scholar是一个学术搜索引擎，旨在检索学术文献、论文、书籍、摘要和文章等。它涵盖了广泛的学科领域，包括自然科学、社会科学、艺术和人文学科。用户可以通过关键词搜索、作者姓名、出版物名称等方式查找相关学术资源。
scholar.google.com 收录
Asteroids by the Minor Planet Center
包含所有已知小行星的轨道数据和观测数据。数据来源于Minor Planet Center，格式包括Fortran (.DAT)和JSON，数据集大小为81MB（压缩）和450MB（未压缩），记录数约750,000条，每日更新。
github 收录
全国 1∶200 000 数字地质图（公开版）空间数据库
As the only one of its kind, China National Digital Geological Map (Public Version at 1∶200 000 scale) Spatial Database (CNDGM-PVSD) is based on China' s former nationwide measured results of regional geological survey at 1∶200 000 scale, and is also one of the nationwide basic geosciences spatial databases jointly accomplished by multiple organizations of China. Spatially, it embraces 1 163 geological map-sheets (at scale 1: 200 000) in both formats of MapGIS and ArcGIS, covering 72% of China's whole territory with a total data volume of 90 GB. Its main sources is from 1∶200 000 regional geological survey reports, geological maps, and mineral resources maps with an original time span from mid-1950s to early 1990s. Approved by the State's related agencies, it meets all the related technical qualification requirements and standards issued by China Geological Survey in data integrity, logic consistency, location acc racy, attribution fineness, and collation precision, and is hence of excellent and reliable quality. The CNDGM-PVSD is an important component of China' s national spatial database categories, serving as a spatial digital platform for the information construction of the State's national economy, and providing informationbackbones to the national and provincial economic planning, geohazard monitoring, geological survey, mineral resources exploration as well as macro decision-making.
DataCite Commons 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录
CE-CSL
CE-CSL数据集是由哈尔滨工程大学智能科学与工程学院创建的中文连续手语数据集，旨在解决现有数据集在复杂环境下的局限性。该数据集包含5,988个从日常生活场景中收集的连续手语视频片段，涵盖超过70种不同的复杂背景，确保了数据集的代表性和泛化能力。数据集的创建过程严格遵循实际应用导向，通过收集大量真实场景下的手语视频材料，覆盖了广泛的情境变化和环境复杂性。CE-CSL数据集主要应用于连续手语识别领域，旨在提高手语识别技术在复杂环境中的准确性和效率，促进聋人与听人社区之间的无障碍沟通。
arXiv 收录