sarpba/OAAST1_hu_madlad_3b

该数据集包含多个特征字段，如消息ID、父消息ID、用户ID、创建日期、文本内容、角色、语言、审核次数、审核结果、是否删除、排名、是否合成、模型名称、毒性评估、消息树ID、树状态、表情符号和标签。其中，毒性评估字段包含多个子字段，用于评估文本的毒性程度。数据集分为训练集和验证集，分别包含80877和3246个样本。数据集的下载大小为36444526字节，总大小为100511826字节。

原始信息汇总

数据集信息

特征

• 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位浮点数类型
• 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位浮点数类型
  • insult: 64位浮点数类型
  • obscene: 64位浮点数类型
  • severe_toxicity: 64位浮点数类型
  • sexual_explicit: 64位浮点数类型
  • threat: 64位浮点数类型
  • toxicity: 64位浮点数类型
• 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: 整数序列类型
  • name: 字符串序列类型
• labels: 结构体类型，包含以下字段：
  • count: 整数序列类型
  • name: 字符串序列类型
  • value: 浮点数序列类型

数据分割

• validation: 3246个样本，3989719字节
• train: 80877个样本，96522107字节

数据集大小

• 下载大小: 36444526字节
• 数据集大小: 100511826字节

配置

• default: 包含以下数据文件：
  • validation: 路径为 data/validation-*
  • train: 路径为 data/train-*