unpredictable/unpredictable_5k

UnpredicTable-5k数据集由互联网表格组成，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和UnpredicTable-5k，分别包含不同数量的任务和表格。数据集的任务类型广泛，包括多项选择、问答、文本分类等，且数据来源于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-full, UnpredicTable-unique, UnpredicTable-support-google-com

数据集描述

数据集摘要

• 内容: 包含5000个随机选择的网络表格，格式化为少样本任务，用于微调语言模型以提高其少样本性能。
• 来源: 从WTC语料库的5000万个表格中提取。

支持的任务和排行榜

• 任务类型: 多选题、问答、零样本分类、文本生成、表格问答、文本分类、表格分类等。
• 用途: 用于提高少样本学习性能的微调/预训练。

语言

• 语言: 英语

数据集结构

数据实例

• 格式: JSON行文件，每个任务包含多个少样本示例。
• 结构: 每个示例包含task, input, options, output等字段，以及其他元数据如pageTitle, title, outputColName, url, wdcFile。

数据字段

• task: 任务标识符
• input: 表格中特定行的列元素
• options: 多选分类中的选项
• output: 与输入同行的目标列元素
• pageTitle: 包含表格的页面标题
• outputColName: 输出列名
• url: 包含表格的网站URL
• wdcFile: WDC Web Table Corpus文件

数据分割

• 分割: 无额外数据分割

数据集创建

数据收集和规范化

• 来源: 从WDC Web Table Corpus 2015的英语关系子集中自动提取。
• 处理: 将表格转换为少样本学习任务。

个人和敏感信息

• 风险: 数据未经过滤，可能包含个人身份或敏感信息。

使用数据集的考虑

社会影响

• 用途: 用于研究训练数据与少样本学习之间的关系。
• 警告: 数据质量不一，内容可能不真实或不适当，不适用于决策关键或用户面对的场景。

偏见讨论

• 存在问题: 数据集可能包含有害偏见，如种族主义、性别歧视等。
• 处理: 未进行偏见分析或内容过滤。

附加信息

许可证信息

• 许可证: Apache 2.0