damerajee/WildChat-Eng-Sharegpt

该数据集包含了对话数据，每个对话都有多个特征，如对话哈希、模型、时间戳、对话内容、轮次、语言、OpenAI的审核结果、Detoxify的审核结果、是否含有毒性内容、是否被编辑、状态、国家、哈希IP地址以及请求头信息。数据集的特征结构复杂，包含了多个嵌套的列表和结构体。数据集的分割为训练集，包含602,365个样本，总大小为5,036,459,703字节。

原始信息汇总

数据集概述

数据集特征

• conversation_hash: 数据类型为字符串。
• model: 数据类型为字符串。
• timestamp: 数据类型为时间戳，单位为微秒，时区为UTC。
• conversation: 列表类型，包含：
  • from: 数据类型为字符串。
  • value: 数据类型为字符串。
• turn: 数据类型为整数。
• language: 数据类型为字符串。
• openai_moderation: 列表类型，包含：
  • categories: 结构体类型，包含多个布尔类型的子特征，如harassment, hate, self-harm等。
  • category_scores: 结构体类型，包含多个浮点数类型的子特征，对应categories中的每个特征。
  • flagged: 数据类型为布尔。
• detoxify_moderation: 列表类型，包含多个浮点数类型的特征，如identity_attack, insult, obscene等。
• toxic: 数据类型为布尔。
• redacted: 数据类型为布尔。
• state: 数据类型为字符串。
• country: 数据类型为字符串。
• hashed_ip: 数据类型为字符串。
• header: 结构体类型，包含：
  • accept-language: 数据类型为字符串。
  • user-agent: 数据类型为字符串。

数据集分割

• train:
  • 数据大小: 5036459703字节。
  • 示例数量: 602365。

数据集大小

• 下载大小: 2583321789字节。
• 数据集大小: 5036459703字节。