MicPie/unpredictable_cluster08

UnpredicTable数据集由网络表格组成，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过滤和聚类标准。数据集支持多种任务，如多项选择、问答、文本生成等。数据集的语言为英语，且没有提供额外的数据分割。数据集的创建基于WDC Web Table Corpus 2015，并通过自动提取任务来生成少样本学习任务。数据集可能包含敏感信息，因此在使用时需要谨慎。

原始信息汇总

数据集概述

数据集名称

• 名称: UnpredicTable-cluster08
• 别名: UnpredicTable-cluster08

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

数据集任务类型

• 任务类型:
  • 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
• 具体任务ID:
  • 多项选择-问答
  • 抽取式问答
  • 开放域问答
  • 封闭域问答
  • 封闭书本问答
  • 开放书本问答
  • 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

数据集内容描述

• 内容概述: UnpredicTable数据集由网页表格格式化为少量样本任务，用于微调语言模型以提高其少量样本性能。数据集包含多种版本，如UnpredicTable-full、UnpredicTable-unique等，每个版本根据不同的筛选标准和来源进行划分。
• 数据实例结构: 每个任务以jsonline文件形式表示，包含多个少量样本示例。每个示例是一个字典，包含task、input、options和output等字段，以及额外的元数据字段如pageTitle、title、outputColName、url、wdcFile。

数据集创建

• 采集理由: 用于研究训练数据与少量样本学习之间的关系，通过自动从多样化的互联网表格中提取413,299个任务来提供研究资源。
• 源数据: 数据来源于WDC Web Table Corpus 2015的英语关系子集，该子集包含50,820,165个表格，来自323,160个网络域名。
• 注释过程: 仅对特定子集进行了手动注释以评估任务质量，注释由实验室助理完成。

使用数据注意事项

• 社会影响: 数据集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，应谨慎使用于决策关键或面向用户的场景。
• 偏见讨论: 数据集可能包含网络上的有害偏见和文本，模型训练时应考虑这些潜在的偏见问题。

附加信息

• 数据集管理员: Jun Shern Chan, Michael Pieler, Jonathan Jao, Jérémy Scheurer, Ethan Perez
• 引用信息: 请参阅提供的引用信息以正确引用数据集。