UnderstandLing/oasst1_ru

--- license: apache-2.0 dataset_info: features: - name: message_id dtype: string - name: parent_id dtype: string - name: user_id dtype: string - name: created_date dtype: string - name: text dtype: string - name: role dtype: string - name: lang dtype: string - name: review_count dtype: int64 - name: review_result dtype: bool - name: deleted dtype: bool - name: rank dtype: float64 - name: synthetic dtype: bool - name: model_name dtype: 'null' - name: detoxify struct: - name: identity_attack dtype: float64 - name: insult dtype: float64 - name: obscene dtype: float64 - name: severe_toxicity dtype: float64 - name: sexual_explicit dtype: float64 - name: threat dtype: float64 - name: toxicity dtype: float64 - name: message_tree_id dtype: string - name: tree_state dtype: string - name: emojis struct: - name: count sequence: int64 - name: name sequence: string - name: labels struct: - name: count sequence: int64 - name: name sequence: string - name: value sequence: float64 splits: - name: train num_bytes: 112851204 num_examples: 84431 - name: validation num_bytes: 5837922 num_examples: 4400 download_size: 40878839 dataset_size: 118689126 configs: - config_name: default data_files: - split: train path: data/train-* - split: validation path: data/validation-* ---许可证：Apache-2.0 数据集信息： 特征字段列表： - 名称：消息ID（message_id），数据类型：字符串类型 - 名称：父消息ID（parent_id），数据类型：字符串类型 - 名称：用户ID（user_id），数据类型：字符串类型 - 名称：创建日期（created_date），数据类型：字符串类型 - 名称：文本内容（text），数据类型：字符串类型 - 名称：角色（role），数据类型：字符串类型 - 名称：语言（lang），数据类型：字符串类型 - 名称：审核次数（review_count），数据类型：64位整数类型 - 名称：审核结果（review_result），数据类型：布尔类型 - 名称：是否删除（deleted），数据类型：布尔类型 - 名称：排序分值（rank），数据类型：64位浮点类型 - 名称：是否为合成数据（synthetic），数据类型：布尔类型 - 名称：模型名称（model_name），数据类型：空值 - 名称：毒性检测结构体（detoxify）： - 身份攻击得分（identity_attack）：64位浮点类型 - 侮辱得分（insult）：64位浮点类型 - 淫秽内容得分（obscene）：64位浮点类型 - 严重毒性得分（severe_toxicity）：64位浮点类型 - 色情内容得分（sexual_explicit）：64位浮点类型 - 威胁得分（threat）：64位浮点类型 - 总体毒性得分（toxicity）：64位浮点类型 - 名称：消息树ID（message_tree_id），数据类型：字符串类型 - 名称：消息树状态（tree_state），数据类型：字符串类型 - 名称：表情符号（emojis）结构体： - 数量（count）：64位整数序列 - 名称（name）：字符串序列 - 名称：标签（labels）结构体： - 标签数量（count）：64位整数序列 - 标签名称（name）：字符串序列 - 标签分值（value）：64位浮点类型序列 数据集拆分： - 拆分名称：训练集（train），字节大小：112851204，样本数量：84431 - 拆分名称：验证集（validation），字节大小：5837922，样本数量：4400 下载总大小：40878839字节 数据集总存储大小：118689126字节 数据集配置： - 配置名称：default（默认配置） 关联数据文件： - 训练集拆分：路径为 data/train-* - 验证集拆分：路径为 data/validation-*

原始信息汇总

数据集概述

数据集信息

• 特征列表：
  • message_id: 字符串类型
  • parent_id: 字符串类型
  • user_id: 字符串类型
  • created_date: 字符串类型
  • text: 字符串类型
  • role: 字符串类型
  • lang: 字符串类型
  • review_count: 64位整数类型
  • review_result: 布尔类型
  • deleted: 布尔类型
  • rank: 64位浮点类型
  • synthetic: 布尔类型
  • model_name: null类型
  • detoxify: 结构体类型，包含以下字段：
    • identity_attack: 64位浮点类型
    • insult: 64位浮点类型
    • obscene: 64位浮点类型
    • severe_toxicity: 64位浮点类型
    • sexual_explicit: 64位浮点类型
    • threat: 64位浮点类型
    • toxicity: 64位浮点类型
  • message_tree_id: 字符串类型
  • tree_state: 字符串类型
  • emojis: 结构体类型，包含以下字段：
    • count: 序列化的64位整数类型
    • name: 序列化的字符串类型
  • labels: 结构体类型，包含以下字段：
    • count: 序列化的64位整数类型
    • name: 序列化的字符串类型
    • value: 序列化的64位浮点类型

数据分割

• 训练集：
  • 字节数: 112851204
  • 样本数: 84431
• 验证集：
  • 字节数: 5837922
  • 样本数: 4400

数据集大小

• 下载大小: 40878839 字节
• 数据集大小: 118689126 字节

配置信息

• 默认配置：
  • 训练集文件路径: data/train-*
  • 验证集文件路径: data/validation-*