d-llm/wildchat-toxic

该数据集包含多个字段，用于记录对话的详细信息，包括对话的哈希值、模型、时间戳、对话内容、国家、哈希IP地址、语言、是否被编辑、角色、状态、是否含有毒性内容等。此外，数据集还包含OpenAI和Detoxify的内容审核信息，记录了各种类型的毒性内容及其评分。数据集的总大小为1769111498.3309424字节，包含199011个示例，下载大小为1117748557字节。

This dataset contains multiple fields that record detailed information about conversations, including conversation hash, model, timestamp, conversation content, country, hashed IP address, language, whether it has been redacted, role, state, whether it contains toxic content, etc. Additionally, the dataset includes content moderation information from OpenAI and Detoxify, recording various types of toxic content and their scores. The total size of the dataset is 1769111498.3309424 bytes, containing 199011 examples, with a download size of 1117748557 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• conversation_hash: 字符串类型
• model: 字符串类型
• timestamp: 时间戳类型，精度为微秒，时区为UTC
• conversation: 列表类型
  • content: 字符串类型
  • country: 字符串类型
  • hashed_ip: 字符串类型
  • header: 结构体类型
    • accept-language: 字符串类型
    • user-agent: 字符串类型
  • language: 字符串类型
  • redacted: 布尔类型
  • role: 字符串类型
  • state: 字符串类型
  • timestamp: 时间戳类型，精度为微秒，时区为UTC
  • toxic: 布尔类型
  • turn_identifier: 64位整数类型
• turn: 64位整数类型
• language: 字符串类型
• openai_moderation: 列表类型
  • categories: 结构体类型
    • harassment: 布尔类型
    • harassment/threatening: 布尔类型
    • harassment_threatening: 布尔类型
    • hate: 布尔类型
    • hate/threatening: 布尔类型
    • hate_threatening: 布尔类型
    • self-harm: 布尔类型
    • self-harm/instructions: 布尔类型
    • self-harm/intent: 布尔类型
    • self_harm: 布尔类型
    • self_harm_instructions: 布尔类型
    • self_harm_intent: 布尔类型
    • sexual: 布尔类型
    • sexual/minors: 布尔类型
    • sexual_minors: 布尔类型
    • violence: 布尔类型
    • violence/graphic: 布尔类型
    • violence_graphic: 布尔类型
  • category_scores: 结构体类型
    • harassment: 64位浮点数类型
    • harassment/threatening: 64位浮点数类型
    • harassment_threatening: 64位浮点数类型
    • hate: 64位浮点数类型
    • hate/threatening: 64位浮点数类型
    • hate_threatening: 64位浮点数类型
    • self-harm: 64位浮点数类型
    • self-harm/instructions: 64位浮点数类型
    • self-harm/intent: 64位浮点数类型
    • self_harm: 64位浮点数类型
    • self_harm_instructions: 64位浮点数类型
    • self_harm_intent: 64位浮点数类型
    • sexual: 64位浮点数类型
    • sexual/minors: 64位浮点数类型
    • sexual_minors: 64位浮点数类型
    • violence: 64位浮点数类型
    • violence/graphic: 64位浮点数类型
    • violence_graphic: 64位浮点数类型
  • flagged: 布尔类型
• detoxify_moderation: 列表类型
  • identity_attack: 64位浮点数类型
  • insult: 64位浮点数类型
  • obscene: 64位浮点数类型
  • severe_toxicity: 64位浮点数类型
  • sexual_explicit: 64位浮点数类型
  • threat: 64位浮点数类型
  • toxicity: 64位浮点数类型
• toxic: 布尔类型
• redacted: 布尔类型
• state: 字符串类型
• country: 字符串类型
• hashed_ip: 字符串类型
• header: 结构体类型
  • accept-language: 字符串类型
  • user-agent: 字符串类型

数据分割

• train:
  • 字节数: 1769111498.3309424
  • 样本数: 199011

数据集大小

• 下载大小: 1117748557
• 数据集大小: 1769111498.3309424

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*