MicPie/unpredictable_cluster28

UnpredicTable数据集由互联网表格格式化而成，用于few-shot任务的训练，旨在通过微调语言模型来提高其在few-shot学习中的表现。数据集包含多种任务类型，如多项选择、问答、文本生成等。数据集为单语种（英语），包含大量任务，但每个任务的示例较少。数据集的主要用途是作为研究资源，探讨训练数据与few-shot学习之间的关系。

原始信息汇总

数据集概述

名称: UnpredicTable-cluster28

语言: 英语

许可证: Apache-2.0

多语言性: 单语种

大小: 100K<n<1M

任务类别:

• 多项选择
• 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

任务ID:

• 多项选择QA
• 抽取式QA
• 开放域QA
• 封闭域QA
• 闭书QA
• 开书QA
• 语言建模
• 多类分类
• 自然语言推理
• 主题分类
• 多标签分类
• 表格多类分类
• 表格多标签分类

数据集结构

数据实例:

• 每个任务表示为jsonline文件，包含几个few-shot示例。
• 每个示例是一个字典，包含task, input, options, output等字段。
• input字段包含表中同一行的几个列元素。
• output字段是同一行的目标列元素。
• 对于多选分类，options字段提供选择的可能类。

数据字段:

• task: 任务标识符
• input: 表中特定行的列元素
• options: 多选分类的选择项
• output: 与输入同一行的目标列元素
• pageTitle: 包含表的页面的标题
• outputColName: 输出列名
• url: 包含表的网站的URL
• wdcFile: WDC Web Table Corpus文件

数据分割:

• 数据集未提供额外的数据分割。

数据集创建

来源数据:

• 数据集从WDC Web Table Corpus 2015的英语关系子集中自动提取。
• 原始数据包含50,820,165个表，来自323,160个网站域。

注释:

• 仅对特定子集进行了手动注释以评估任务质量。

个人和敏感信息:

• 数据集可能包含未过滤的个人身份或敏感信息。

使用数据集的考虑

社会影响:

• 数据集用于研究训练数据与few-shot学习之间的关系，可能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:

• 数据集可能包含来自网络的毒性、种族主义、性别歧视等有害偏见和文本。

附加信息

数据集创建者:

• Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez

许可证信息:

• Apache 2.0