jihyoung/ConversationChronicles

Conversation Chronicles是一个高质量的多会话数据集，包含1M个会话和200K个事件，总计11.7M个对话轮次。每个会话平均有11.7个对话轮次，每个对话轮次平均有18.03个单词。数据集分为训练集（800,000个会话）、验证集（100,000个会话）和测试集（100,000个会话）。数据集结构包括多个字段，如dataID、relationship、time_interval、summary等。时间间隔包括几小时、几天、几周、几个月和几年。说话者关系包括同学、邻居、同事、导师与学员、夫妻、病人与医生、父母与孩子、学生与老师、员工与老板、运动员与教练等。数据集通过整合时间间隔和说话者关系来实现时间动态性。

原始信息汇总

Conversation Chronicles 数据集概述

基本信息

• 许可证: CC BY 4.0
• 任务类别: 对话
• 语言: 英语
• 数据集名称: Conversation Chronicles

数据集规模

• 会话数量: 100万
• 片段数量: 20万
• 对话轮次数量: 1170万
• 平均每会话轮次: 11.7
• 平均每轮次单词数: 18.03

数据集划分

划分	会话数量	片段数量
训练集	80万	16万
验证集	10万	2万
测试集	10万	2万

数据集结构

字段	类型	描述
dataID	字符串	片段的唯一ID
relationship	字符串	片段中说话者之间的关系
time_interval	序列（列表）	会话之间的时间间隔（共5个）
summary	序列（列表）	每个会话的按时间顺序的摘要（共5个）
first_session_dialogue	序列（列表）	第一个会话的对话
first_session_speakers	序列（列表）	第一个会话的说话者匹配
second_session_dialogue	序列（列表）	第二个会话的对话
second_session_speakers	序列（列表）	第二个会话的说话者匹配
third_session_dialogue	序列（列表）	第三个会话的对话
third_session_speakers	序列（列表）	第三个会话的说话者匹配
fourth_session_dialogue	序列（列表）	第四个会话的对话
fourth_session_speakers	序列（列表）	第四个会话的说话者匹配
fifth_session_dialogue	序列（列表）	第五个会话的对话
fifth_session_speakers	序列（列表）	第五个会话的说话者匹配

时间动态

• 时间间隔分布:

  时间间隔	数量
  A few hours	159,975
  A few days	159,928
  A few weeks	160,670
  A few months	160,050
  A couple of years	159,377

• 关系分布:

  关系	数量	比例
  Classmates	66,090	33.05%
  Neighbors	49,521	24.76%
  Co-workers	28,856	14.43%
  Mentee and Mentor	16,035	8.02%
  Husband and Wife	13,486	6.74%
  Patient and Doctor	6,980	3.49%
  Parent and Child	6,514	3.26%
  Student and Teacher	5,018	2.51%
  Employee and Boss	4,811	2.41%
  Athlete and Coach	2,689	1.34%
  Total	200,000

搜集汇总

背景与挑战

背景概述

Conversation Chronicles是一个高质量的多会话英文对话数据集，包含100万条会话和20万条对话片段，每条记录包含5个连续会话，展示了丰富的时间跨度（从几小时到几年）和多样的人际关系类型。该数据集特别设计了时间间隔和说话者关系等结构化特征，旨在支持对对话时序动态和社交关系演变的研究。