nayohan/KOLD

KOLD（Korean Offensive Language Dataset）是一个用于研究韩语中冒犯性语言的数据集。数据集包含多个特征，如唯一标识符（guid）、来源（source）、日期（date）、标题（title）、评论（comment）等。其中，OFF表示是否包含冒犯性内容，TGT和GRP分别表示目标对象和目标群体。数据集还包含注释信息，如注释者ID、冒犯性内容的起止索引、目标对象的起止索引等。数据集分为训练集，包含40429个样本，文件大小为20683839字节。数据集的语言为韩语，标签为safety。

KOLD (Korean Offensive Language Dataset) is a dataset designed for studying offensive language in Korean. The dataset includes various features such as guid, source, date, title, comment, etc. The OFF feature indicates whether the content is offensive, while TGT and GRP represent the target and target group, respectively. The dataset also contains annotation information, such as annotator ID, start and end indices of offensive content, and start and end indices of the target. The dataset is divided into a training set containing 40,429 samples, with a file size of 20,683,839 bytes. The language of the dataset is Korean, and it is tagged with safety.

原始信息汇总

数据集概述

数据集信息

• 特征:

  • guid: 字符串类型
  • source: 字符串类型
  • date: 时间戳类型
  • title: 字符串类型
  • comment: 字符串类型
  • OFF: 布尔类型
  • TGT: 字符串类型
  • GRP: 字符串类型
  • OFF_span: 字符串类型
  • TGT_span: 字符串类型
  • raw_labels: 列表类型，包含以下子特征:
    • annotator_id: 整数类型
    • off_end_idx: 整数序列类型
    • off_start_idx: 整数序列类型
    • offensiveness: 布尔类型
    • target: 字符串序列类型
    • target_group: 字符串序列类型
    • tgt_end_idx: 整数序列类型
    • tgt_start_idx: 整数序列类型

• 分割:

  • train: 包含40429个样本，占用20683839字节

• 下载大小: 8176787字节

• 数据集大小: 20683839字节

配置

• 默认配置:
  • data_files:
    • train: 路径为data/train-*

语言

• 韩语 (ko)

标签

• 安全性 (safety)