argilla/end2end_textclassification_with_metadata

该数据集是通过Argilla创建的，主要用于文本分类任务。数据集包含一个符合Argilla数据集格式的配置文件`argilla.yaml`，以及与HuggingFace `datasets`库兼容的记录。数据集的结构包括字段、问题、建议、元数据、向量和指南。字段是数据集记录本身，目前仅支持文本字段。问题是向注释者提出的问题，可以是评分、文本、标签选择、多标签选择或排名类型。建议是为注释者提供的辅助建议，元数据用于提供关于数据集记录的额外信息。数据集包含一个训练集分割。

原始信息汇总

数据集卡片 for end2end_textclassification_with_metadata

数据集描述

数据集概述

该数据集包含：

• 符合 Argilla 数据集格式的配置文件 argilla.yaml。该配置文件将在使用 FeedbackDataset.from_huggingface 方法时用于配置数据集。
• 与 HuggingFace datasets 兼容的数据集记录。这些记录在使用 FeedbackDataset.from_huggingface 时会自动加载，也可以通过 datasets 库独立加载。
• 用于构建和整理数据集的标注指南（如果已在 Argilla 中定义）。

加载方式

使用 Argilla 加载

安装 Argilla：

python pip install argilla --upgrade

加载数据集：

python import argilla as rg

ds = rg.FeedbackDataset.from_huggingface("argilla/end2end_textclassification_with_metadata")

使用 datasets 加载

安装 datasets：

python pip install datasets --upgrade

加载数据集：

python from datasets import load_dataset

ds = load_dataset("argilla/end2end_textclassification_with_metadata")

支持的任务和排行榜

该数据集可以包含多个字段、问题和响应，因此可以用于不同的 NLP 任务，具体取决于配置。数据集结构在数据集结构部分中描述。

该数据集没有关联的排行榜。

语言

[更多信息待补充]

数据集结构

数据在 Argilla 中的结构

数据集在 Argilla 中包含以下内容：字段、问题、建议、元数据、向量和指南。

字段

字段是数据集记录本身，目前仅支持文本字段。这些字段将用于提供对问题的响应。

字段名称	标题	类型	必填	Markdown
text	文本	FieldTypes.text	True	False

问题

问题是将向标注者提出的问题。它们可以是不同类型，如评分、文本、标签选择、多标签选择或排序。

问题名称	标题	类型	必填	描述	值/标签
label	标签	QuestionTypes.label_selection	True	通过从给定标签列表中选择正确的标签来分类文本。	[World, Sports, Business, Sci/Tech]

建议

建议是人为或机器生成的推荐，用于在标注过程中协助标注者。这些建议总是与现有问题相关联，并通过在问题名称后附加 "-suggestion" 和 "-suggestion-metadata" 来命名，分别包含建议的值及其元数据。

元数据

元数据是一个字典，用于提供有关数据集记录的额外信息。这可以用于向标注者提供额外上下文，或提供有关数据集记录本身的额外信息。元数据总是可选的，并且可以与 argilla.yaml 中定义的 metadata_properties 相关联。

元数据名称	标题	类型	值	对标注者可见
group	标注组	terms	[group-1, group-2, group-3]	True
length	文本长度	integer	100 - 862	True
length_std	文本长度的标准差	float	139.096 - 361.398	True

指南

指南是可选的，只是一段用于向标注者提供指令的纯文本字符串。

数据实例

在 Argilla 中的数据集实例示例如下：

json { "external_id": "record-0", "fields": { "text": "Wall St. Bears Claw Back Into the Black (Reuters) Reuters - Short-sellers, Wall Streetu0027s dwindling\band of ultra-cynics, are seeing green again." }, "metadata": { "group": "group-1", "length": 144, "length_std": 144.0 }, "responses": [], "suggestions": [], "vectors": {} }

在 HuggingFace datasets 中的相同记录示例如下：

json { "external_id": "record-0", "label": [], "label-suggestion": null, "label-suggestion-metadata": { "agent": null, "score": null, "type": null }, "metadata": "{"group": "group-1", "length": 144, "length_std": 144.0}", "text": "Wall St. Bears Claw Back Into the Black (Reuters) Reuters - Short-sellers, Wall Streetu0027s dwindling\band of ultra-cynics, are seeing green again." }

数据字段

数据集字段包括以下内容：

• 字段：数据集记录本身，目前仅支持文本字段。这些字段将用于提供对问题的响应。

  • text 类型为 FieldTypes.text。

• 问题：将向标注者提出的问题。它们可以是不同类型，如 RatingQuestion、TextQuestion、LabelQuestion、MultiLabelQuestion 和 RankingQuestion。

  • label 类型为 QuestionTypes.label_selection，允许值为 [World, Sports, Business, Sci/Tech]，描述为“通过从给定标签列表中选择正确的标签来分类文本”。

• 建议：从 Argilla 1.13.0 开始，建议已包含在内，以向标注者提供建议，以简化或协助标注过程。建议与现有问题相关联，总是可选的，并且不仅包含建议本身，还包含与之相关的元数据（如果适用）。

  • （可选）label-suggestion 类型为 QuestionTypes.label_selection，允许值为 [World, Sports, Business, Sci/Tech]。

此外，还有两个可选字段：

• metadata：用于提供有关数据集记录的额外信息的可选字段。这可以用于向标注者提供额外上下文，或提供有关数据集记录本身的额外信息。
• external_id：用于为数据集记录提供外部 ID 的可选字段。这可以用于将数据集记录与外部资源（如数据库或文件）相关联。

数据分割

数据集包含一个分割，即 train。