OpenMol/PubChemSFT

该数据集包含SMILES分子描述的单轮对话，格式为JSON，包含SMILES字符串及其对应的描述。数据集分为训练集、验证集和测试集，分别包含264,391、33,072和32,987个样本。对话模板包括人类查询和GPT生成的分子描述。此外，还提供了14种查询模板，用于生成对话中的查询部分。该数据集包含SMILES分子描述的单轮对话，格式为JSON，包含SMILES字符串及其对应的描述。数据集分为训练集、验证集和测试集，分别包含264,391、33,072和32,987个样本。对话模板包括人类查询和GPT生成的分子描述。此外，还提供了14种查询模板，用于生成对话中的查询部分。

原始信息汇总

数据集概述

数据集文件

• 文件名: all_clean.json

  • 移除了与ChEBI-20测试集重叠的部分。

  • 移除了无描述的SMILES。

  • 数据格式: python { SMILES <str>: [ ["Please describe the molecule", DESCRIPTION], ..., ] }

  • 统计信息:

    • 最大令牌长度: 6113
    • 最小令牌长度: 20
    • 平均令牌长度: 191
    • 中位数令牌长度: 149
    • 总单轮对话数: 326,689
    • 总SMILES示例数: 293,302

数据集大小

• 训练集: 264,391
• 验证集: 33,072
• 测试集: 32,987

对话模板

python conversation:{ [ "from": "human", "value": <QUERY>, # 随机从查询模板中抽样 ], [ "from": "gpt", "value": <TEXT>, # 关于给定分子的描述 ], ]

数据集条目内容

"graph": [ "edge_index":, # 数组形式 (int64) "edge_feat":, # 数组形式 (int64) "node_feat":, # 数组形式 (int64) "num_nodes":, # 整数 ], "conversation": # 如上所述

查询模板

python { <image> Could you give me a brief overview of this molecule?, <image> Could you provide a description of this molecule?, <image> Describe this molecule., <image> Please give me some details about this molecule., <image> Provide a brief overview of this molecule., <image> Provide a description of this molecule., <image> What can you tell me about this molecule?, Could you give me a brief overview of this molecule? <image>, Could you provide a description of this molecule? <image>, Describe this molecule. <image>, Please give me some details about this molecule. <image>, Provide a brief overview of this molecule. <image>, Provide a description of this molecule. <image>, What can you tell me about this molecule? <image> }