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。

Conversation Chronicles is a high-quality multi-conversation dataset that encompasses 1 million conversations and 200 thousand events, with a total of 11.7 million dialogue turns. On average, each conversation contains 11.7 dialogue turns, and each dialogue turn has an average of 18.03 words. The dataset is split into three subsets: the training set (800,000 conversations), the validation set (100,000 conversations), and the test set (100,000 conversations). The dataset structure includes multiple fields such as dataID, relationship, time_interval, summary, and others. The time intervals span hours, days, weeks, months, and years. The speaker relationships cover schoolmates, neighbors, colleagues, mentors and mentees, couples, patients and doctors, parents and children, students and teachers, employees and bosses, athletes and coaches, etc. The dataset realizes temporal dynamics by integrating time intervals and speaker relationships.

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。