flax-sentence-embeddings/stackexchange_title_best_voted_answer_jsonl

该数据集是从Stack Exchange网络中自动提取的问题和答案（Q&A）对。Stack Exchange是一个包含50个在线平台的问答社区网络，其中包括知名的Stack Overflow和其他技术站点。数据集是一个平行语料库，每个问题都映射到其最高评分的答案。数据集根据不同的社区进行划分，涵盖了从3D打印、经济学、树莓派到Emacs等多个领域。数据集主要用于句子嵌入训练，特别是对比学习模型的训练。

原始信息汇总

数据集概述

数据集名称

• 名称: stackexchange

数据集属性

• 语言: 主要为英语 (en)
• 许可证: cc-by-nc-sa-4.0
• 多语言性: 多语言
• 任务类别: 问答 (question-answering)
• 任务ID: 封闭领域问答 (closed-domain-qa)
• 来源数据集: 原始数据
• 大小类别: 未知

数据集内容

• 数据实例: 每个数据样本包含问题标题和主体以及最受欢迎的答案。
• 数据字段:
  • title_body: 问题的标题和主体的组合。
  • upvoted_answer: 最受欢迎的答案的主体。

数据集结构

• 数据分割: 根据不同的社区频道提供多个分割，每个分割包含特定数量的问答对。

数据集创建

• 采集理由: 主要用于句子嵌入训练，利用对比学习设置来关联每个句子与其对应的配对。
• 源数据: 数据来自Stack Exchange的转储。
• 初始数据收集和规范化: 从数学社区收集数据，过滤掉标题或主体长度小于20个字符或主体长度超过4096个字符的问题。
• 源语言生产者: 问题和答案由Stack Exchange社区开发者编写。