hoaj/fb-housing-posts

---
dataset_info:
features:
- name: instruct
dtype: string
- name: listing
dtype: string
- name: json_response
dtype: string
- name: is_seeking_tenant
dtype: bool
- name: labels
dtype: int64
- name: target
dtype: string
splits:
- name: train
num_bytes: 2089426
num_examples: 874
- name: validation
num_bytes: 443312
num_examples: 187
- name: test
num_bytes: 441380
num_examples: 188
download_size: 1046015
dataset_size: 2974118
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
---

数据集信息：
特征字段：
- 字段名：指令（instruct），数据类型：字符串
- 字段名：房源列表（listing），数据类型：字符串
- 字段名：JSON响应（json_response），数据类型：字符串
- 字段名：是否寻求租客（is_seeking_tenant），数据类型：布尔类型
- 字段名：标签（labels），数据类型：64位整数类型
- 字段名：目标（target），数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节大小：2089426，样本数量：874
- 划分名称：验证集（validation），字节大小：443312，样本数量：187
- 划分名称：测试集（test），字节大小：441380，样本数量：188
下载大小：1046015
数据集总大小：2974118
配置：
- 配置名称：默认（default），数据文件：
- 训练集划分：路径为data/train-*
- 验证集划分：路径为data/validation-*
- 测试集划分：路径为data/test-*

原始信息汇总

数据集概述

特征信息

• instruct: 数据类型为字符串（string）
• listing: 数据类型为字符串（string）
• json_response: 数据类型为字符串（string）
• is_seeking_tenant: 数据类型为布尔值（bool）
• labels: 数据类型为64位整数（int64）
• target: 数据类型为字符串（string）

数据分割

• train: 包含874个样本，总字节数为2089426
• validation: 包含187个样本，总字节数为443312
• test: 包含188个样本，总字节数为441380

数据集大小

• 下载大小: 1046015字节
• 数据集大小: 2974118字节

配置信息

• config_name: default
  • data_files:
    • train: 路径为data/train-*
    • validation: 路径为data/validation-*
    • test: 路径为data/test-*

搜集汇总

数据集介绍

构建方式

在住房租赁市场数字化转型的背景下，精准的语义理解与信息抽取成为关键挑战。hoaj/fb-housing-posts数据集应运而生，其构建过程聚焦于社交媒体平台上的真实房源帖子。原始数据经过清洗与结构化处理，形成包含用户指令（instruct）、原始帖子文本（listing）以及对应的结构化JSON响应（json_response）的三元组结构。为支持分类任务，数据还标注了是否寻找租客（is_seeking_tenant）、标签类别（labels）与目标文本（target）。最终按照约70:15:15的比例划分为训练集（874条）、验证集（187条）与测试集（188条），确保模型评估的可靠性。

使用方法

使用该数据集时，可直接通过HuggingFace的datasets库加载，指定配置名为'default'即可自动获取训练、验证与测试三个分割。对于指令微调任务，可将'instruct'列作为输入提示，'json_response'列作为目标输出；对于分类任务，可基于'labels'或'is_seeking_tenant'列构建标签体系。推荐在加载后对文本字段进行必要的预处理，如去除HTML标签或统一大小写。由于数据量适中，该数据集尤其适合作为小样本学习、迁移学习或提示工程研究的基准测试集。

背景与挑战

背景概述

在社交媒体与在线平台深刻重塑房地产行业的背景下，非结构化房屋租赁与买卖信息的高效解析成为自然语言处理与信息抽取领域的重要研究课题。由hoaj团队构建的fb-housing-posts数据集，专注于Facebook平台上发布的房屋相关帖子，旨在将非正式的、口语化的房源描述转化为结构化的租赁信息。该数据集创建于近年，围绕的核心研究问题是如何从社交媒体文本中自动识别用户是寻求租客还是发布房源、提取关键属性（如租金、位置）并生成标准化的JSON响应。尽管数据集规模有限（训练集仅874条样本），但其聚焦于真实社交网络文本的独特性，为低资源场景下的指令微调与信息抽取研究提供了具有代表性的基准，推动了面向非规范文本的语义理解技术发展。

当前挑战

该数据集面临的首要挑战在于领域问题的复杂性：社交媒体房源文本高度口语化、包含大量缩写与表情符号，且意图模糊（如区分“寻找租客”与“发布房源”），这对传统信息抽取模型构成严峻考验。构建过程中，数据集面临样本稀疏与标注困难的挑战——仅874条训练样本难以覆盖多样的表达模式，同时从非结构化帖子中人工标注结构化JSON响应需耗费大量人力，且标注一致性难以保证。此外，多任务学习目标（同时完成意图分类、实体抽取与JSON生成）增加了模型设计的难度，现有预训练语言模型在如此小样本且任务耦合的场景下易过拟合，亟需探索数据增强与少样本学习策略以提升泛化能力。

常用场景

经典使用场景

在社交媒体与房地产市场交叉研究的浪潮中，hoaj/fb-housing-posts数据集凭借其独特的Facebook房源帖子结构化数据，成为分析在线住房信息传播与用户交互行为的理想资源。该数据集包含详细的房源描述、用户指令及结构化响应，常用于训练和评估自然语言处理模型在房产领域的文本分类、信息抽取与意图识别任务，尤其聚焦于区分租房需求与房东招租倾向。

解决学术问题

该数据集有效解决了在线住房信息非结构化带来的学术研究困境，为探究社交媒体中房源信息的语义特征与用户行为模式提供了标准化基准。通过引入is_seeking_tenant等关键标签，研究者得以系统分析租房市场中的供需信号，推动了计算社会科学在住房经济学领域的应用，显著提升了自动化房源分类与需求预测的准确性。

实际应用

在实际应用中，该数据集赋能房地产科技企业构建智能房源推荐系统，通过解析Facebook帖子中的自然语言描述，精准识别潜在租客与房东的匹配关系。同时，它支持社交媒体平台开发内容审核工具，自动过滤虚假或误导性房源信息，优化用户体验，并助力城市管理部门监测住房租赁市场的动态趋势。

数据集最近研究

最新研究方向

该数据集聚焦于社交媒体中住房租赁信息的语义理解与智能分类，是自然语言处理与房地产领域交叉的前沿探索。随着全球城市化进程加速和线上租房平台兴起，海量非结构化帖子中隐含的租户寻找意图、房源属性及供需动态成为研究热点。hoaj/fb-housing-posts通过提供包含指令文本、原始列表及结构化JSON响应的多模态标注，支持模型从自由表述中精准识别“是否寻求租户”等关键标签，推动了少样本学习与意图检测技术在住房市场分析中的应用。其训练、验证与测试集的精心划分，为构建可泛化的智能租房助手或市场趋势预测系统奠定了数据基础，对优化线上房产匹配效率及理解社交网络中的居住需求变迁具有重要实践意义。