prhegde/preference-data-math-stack-exchange

--- license: apache-2.0 --- The preference dataset is derived from the [stack exchange dataset](https://huggingface.co/datasets/HuggingFaceH4/stack-exchange-preferences) which contains questions and answers from the Stack Overflow Data Dump. This contains questions and answers for various topics. For this work, we used only question and answers from [math.stackexchange.com](https://huggingface.co/datasets/HuggingFaceH4/stack-exchange-preferences/tree/main/data/math.meta.stackexchange.com) sub-folder. The questions are grouped with answers that are assigned a score corresponding to the Anthropic paper: ``` score = log2 (1 + upvotes) rounded to the nearest integer, plus 1 if the answer was accepted by the questioner (we assign a score of −1 if the number of upvotes is negative). ``` We performed following processing to derive the final dataset. 1) Basic pre-processing ([code](https://github.com/PraveenSH/dpo-arithmo-mistral-7B/blob/main/src/data_processing/stack_exchange_data.py)) to clean the text 2) Filter Mathematical question using regex based detector ([code](https://github.com/PraveenSH/dpo-arithmo-mistral-7B/blob/main/src/data_processing/stack_exchange_data.py)) 3) For each question, extract 2 answers - one with highest score and one with the lowest score. Former is used as Preferred response and latter is used as the rejected response ## References ``` @online{h4stackexchange, author = {Lambert, Nathan and Tunstall, Lewis and Rajani, Nazneen and Thrush, Tristan}, title = {HuggingFace H4 Stack Exchange Preference Dataset}, year = 2023, url = {https://huggingface.co/datasets/HuggingFaceH4/stack-exchange-preferences}, } ```许可证：Apache-2.0 本偏好数据集源自**堆叠交换数据集（Stack Exchange Dataset）**，该数据集包含来自Stack Overflow数据转储的问答内容，涵盖多类主题。本研究仅使用了其中`math.stackexchange.com`子文件夹下的问答数据，对应链接为：https://huggingface.co/datasets/HuggingFaceH4/stack-exchange-preferences/tree/main/data/math.meta.stackexchange.com。 问答会根据Anthropic论文中的规则为答案分配分数： score = log₂(1 + 点赞数)，并取最接近的整数；若答案被提问者采纳，则额外加1分（若点赞数为负，则将分数设为-1）。 我们通过以下流程处理得到最终数据集： 1. 基础文本清洗预处理（代码链接：https://github.com/PraveenSH/dpo-arithmo-mistral-7B/blob/main/src/data_processing/stack_exchange_data.py） 2. 基于正则表达式检测器过滤数学类问题（代码链接：https://github.com/PraveenSH/dpo-arithmo-mistral-7B/blob/main/src/data_processing/stack_exchange_data.py） 3. 为每个问题提取两个答案：分别为最高分答案与最低分答案。前者作为优选响应，后者作为拒选响应。 参考文献： @online{h4stackexchange, author = {Lambert, Nathan and Tunstall, Lewis and Rajani, Nazneen and Thrush, Tristan}, title = {HuggingFace H4 堆叠交换偏好数据集}, year = 2023, url = {https://huggingface.co/datasets/HuggingFaceH4/stack-exchange-preferences}, }

原始信息汇总

数据集概述

数据来源

• 该数据集源自Stack Exchange数据集，该数据集包含Stack Overflow数据转储中的问题和答案。
• 本数据集特别提取了math.stackexchange.com子文件夹中的问题和答案。

数据处理

• 预处理: 进行了基本的文本清洗，具体代码可见此处。
• 过滤: 使用基于正则表达式的检测器过滤出数学问题，相关代码同样位于上述链接。
• 答案选择: 对于每个问题，提取两个答案——一个最高分答案和一个最低分答案。最高分答案作为首选响应，最低分答案作为拒绝响应。

评分机制

• 答案的分数计算公式为：score = log2(1 + upvotes)，四舍五入到最近的整数。如果答案被提问者接受，则加1；如果upvotes为负数，则分数为-1。

许可证

• 本数据集遵循Apache-2.0许可证。

搜集汇总

数据集介绍

构建方式

该数据集源自Stack Exchange数据转储，聚焦于数学领域的问答内容。构建过程首先从HuggingFaceH4提供的Stack Exchange偏好数据集中筛选出math.stackexchange.com子文件夹下的问题和答案。随后，依据Anthropic论文中定义的评分规则，对每个答案进行打分：得分计算公式为log2(1+赞数)四舍五入取整，若答案被提问者采纳则额外加1分，若赞数为负则得分为-1。在此基础上，执行基础文本清洗，并利用基于正则表达式的检测器过滤出数学相关问题。最终，针对每个问题提取得分最高和最低的两个答案，分别作为偏好响应和拒绝响应，从而形成用于偏好学习的成对数据。

特点

该数据集的核心特点在于其专注于数学领域的高质量问答偏好数据。通过严格的评分机制和正则过滤，确保了数据仅包含数学相关且具有明确偏好差异的问答对。每个问题均配有一对得分极端的答案，这为直接偏好优化（DPO）等算法提供了理想的训练样本。数据集的规模适中，但来源可靠，源自社区验证的Stack Exchange平台，保证了内容的专业性和多样性。此外，数据经过预处理，移除了噪声文本，提升了可用性。

使用方法

该数据集主要用于训练和评估偏好学习模型，特别是直接偏好优化（DPO）算法。使用时，可直接加载JSON格式的数据，其中每个样本包含问题、偏好响应（高分答案）和拒绝响应（低分答案）。研究者可将其用于微调语言模型，使其更倾向于生成与高分答案相似的输出。建议将数据集划分为训练集和验证集，以监控模型性能。由于数据已清理，无需额外预处理，可直接输入模型进行训练或评估。

背景与挑战

背景概述

在自然语言处理与强化学习从人类反馈中学习（RLHF）的交叉领域，高质量偏好数据的稀缺性长期制约着模型对齐能力的提升。prhegde/preference-data-math-stack-exchange数据集由研究人员Praveen S. H.于2023年基于HuggingFace H4团队发布的Stack Exchange偏好数据集构建而成，其核心目标在于为数学领域的大语言模型提供细粒度的偏好信号。该数据集从math.stackexchange.com子论坛中提取问题与答案，采用Anthropic论文中的评分机制，结合投票数与采纳状态生成偏好标签，旨在解决数学推理任务中模型输出与人类期待不一致的痛点。作为首个专注于数学领域的开源偏好数据集，它推动了DPO等对齐算法在数学推理场景下的应用，为提升模型在符号计算、定理证明等子任务上的可靠性奠定了基础。

当前挑战

该数据集面临的挑战首先体现在领域问题的复杂性上：数学推理要求模型具备严格的逻辑链与符号操作能力，而偏好数据仅能反映答案的相对优劣，难以捕捉证明步骤的局部正确性，导致模型可能学习到表面模式而非深层推理。其次，构建过程中存在多重困难：从Stack Exchange海量多主题数据中精准筛选数学问题依赖正则表达式，可能遗漏边缘案例或混入非数学文本；采用最高分与最低分答案作为偏好对，忽略了中间质量答案的潜在价值，且评分受投票时间、用户群体偏差影响，可能引入噪声；此外，数据清洗需处理LaTeX格式混乱、代码块干扰等问题，增加了预处理复杂度。这些挑战共同制约着数据集在引导模型生成严谨数学推导时的效力。

常用场景

经典使用场景

该数据集专为数学领域的偏好对齐任务而构建，源自Stack Exchange平台中math.stackexchange.com子域的海量问答数据。通过精心设计的评分机制——基于投票数的对数加权与回答采纳状态加成——为每个数学问题提取出高分与低分答案对，分别作为偏好与拒绝响应。这一结构使其成为训练和评估基于人类反馈的强化学习（RLHF）及直接偏好优化（DPO）算法的理想基准，尤其在数学推理与问题求解的语义理解场景中，为模型提供了清晰的正负样本信号。

解决学术问题

该数据集精准回应了数学领域大语言模型偏好对齐中监督信号匮乏的学术困境。传统偏好数据集多聚焦于通用文本，难以捕捉数学问答中严谨的逻辑链与符号推理特性。本数据集通过系统化的质量筛选与评分映射，解决了如何从非结构化社区数据中提取可靠、可量化的数学偏好标签这一核心问题。其意义在于为数学推理模型的优化提供了领域特化的偏好学习基础，推动了从通用对齐到学科精细化对齐的研究范式转变，显著提升了模型在数学任务上的指令遵循与答案可信度。

衍生相关工作

基于该数据集，衍生出一系列数学推理领域的经典工作。例如，研究者利用其构建了面向数学指令的DPO训练管线，开发出如Arithmo-Mistral等专精数学的轻量级模型，在多项数学基准测试上取得突破。此外，该数据还被用于探索偏好强度对模型对齐效果的影响，催生了基于评分差异的加权偏好优化方法。这些工作不仅验证了领域特定偏好数据在提升数学推理能力上的有效性，也为后续在物理、编程等学科构建类似数据集提供了方法论参考，形成了一条从数据构建到模型优化的完整研究链条。