MicPie/unpredictable_5k

UnpredicTable数据集由互联网表格格式化而成的少样本任务组成，旨在通过微调语言模型来提高其在少样本学习中的表现。数据集包含多个版本，如UnpredicTable-full、UnpredicTable-unique、UnpredicTable-5k等，每个版本都有不同的数据量和筛选标准。数据集支持多种任务，如多项选择、问答、文本生成等，并且数据集的来源是WDC Web Table Corpus。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-5k
• 别名: UnpredicTable-5k

数据集基本信息

• 语言: 英语
• 许可证: Apache-2.0
• 多语言性: 单语种
• 大小: 100K<n<1M
• 任务类型:
  • 多选题
  • 问答
  • 零样本分类
  • 文本到文本生成
  • 表格问答
  • 文本生成
  • 文本分类
  • 表格分类

数据集内容

• 描述: UnpredicTable-5k 数据集包含5000个随机选取的表格，这些表格被格式化为少样本任务，用于微调语言模型以提高其少样本表现。
• 版本:
  • UnpredicTable-full: 包含413,299个任务，来自23,744个独特网站。
  • UnpredicTable-unique: 与UnpredicTable-full相同，但每个网站最多包含一个任务。
  • UnpredicTable-rated-low, UnpredicTable-rated-medium, UnpredicTable-rated-high: 基于人工质量评级的数据子集。
  • 多个基于网站来源和聚类的数据子集。

数据结构

• 数据实例: 每个任务以jsonline文件形式表示，包含多个少样本示例。每个示例包含task, input, options, output等字段。
• 数据字段:
  • task: 任务标识符
  • input: 表格中特定行的列元素
  • options: 多选分类的选项
  • output: 与输入同一行的目标列元素
  • pageTitle, title, outputColName, url, wdcFile: 附加元数据字段

数据创建

• 来源数据: 数据来自WDC Web Table Corpus 2015的英语关系子集，包含50,820,165个表格。
• 注释过程: 仅对特定子集进行了人工注释以评估任务质量。

使用考虑

• 社会影响: 数据集用于研究训练数据与少样本学习之间的关系，包含高质量和低质量数据，以及可能不真实或不适当的内容。
• 偏见讨论: 数据集可能包含网络表格中的有害偏见和文本，未进行偏见分析或内容过滤。

附加信息

• 数据集创建者: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 许可证: Apache 2.0
• 引用信息: 见README文件中的引用信息。