jglaser/binding_affinity 仓库提供蛋白质序列和配体SMILES的结合亲和力数据，共包含190万个独特的配对，适用于微调语言模型。数据来源于BindingDB、PDBbind-cn、BioLIP和BindingMOAD。该仓库提供预处理后的数据集，并支持用户手动进行预处理。用户可以加载预先分割的训练集和验证集，或者选择移除特定蛋白质序列的数据集。

OpenCSG2024-07-19 更新170

kelm

知识增强预训练

数据到文本生成

Corpus for Knowledge-Enhanced Language Model Pre-training (KELM) 专注于将知识图谱三元组（主语、关系、宾语）转换为自然语言句子，用于数据到文本的生成任务。该语料库包含约1800万个句子，涵盖约4500万个三元组和约1500个不同的关系，数据来源于英文维基百科及其相关的知识图谱。数据集包括训练集、验证集和测试集，并采用CC BY-SA

OpenCSG2024-07-19 更新140

RyokoAI_Syosetu711K

自然语言处理

文本生成

Syosetu711K 仓库提供了一个包含约 71.17 万部日语小说的文本数据集，这些小说来源于“成为小说家吧”网站。该数据集主要用于文本生成模型的非监督训练，同时也支持文本分类等任务。数据集中每部小说都带有元数据，包括作者、标题、ID、小说长度、积分、质量评分、章节数、关键词、是否为 R15+ 作品、小说类型 ID 和通用小说类型 ID 等信息，方便用户进行筛选和评估。该数据集基于 Apach

OpenCSG2024-07-19 更新210

hatexplain

仇恨言论检测

可解释人工智能

Hatexplain是一个用于可解释仇恨言论检测的基准数据集，它涵盖了仇恨言论问题的多个方面。数据内容包括英文文本，规模为1万到10万条样本。每条帖子都从三个不同的角度进行标注：基本的3类分类（仇恨、冒犯或正常）、目标群体（帖子中仇恨/冒犯言论的受害者）以及理由（标注决策所依据的帖子部分）。数据采集自Twitter和Gab，经过了标准化处理，并通过众包方式进行标注。Hatexplain支持文本分类

OpenCSG2024-07-19 更新140

FAQ_BACEN

资源简介：

相关数据集