unlearning-cleanslate/cleanslate_dataset

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- config_name: qa_benchmark
data_files:
- split: train
path: qa_benchmark/train-*
dataset_info:
config_name: qa_benchmark
features:
- name: content_id
dtype: string
- name: content_title
dtype: string
- name: question
dtype: string
- name: answer
dtype: string
splits:
- name: train
num_bytes: 2252421
num_examples: 12088
download_size: 939939
dataset_size: 2252421
---

# CleanSlate Dataset

Core content corpus for the CleanSlate memorization evaluation framework.

## Schema

| Column | Type | Description |
|---|---|---|
| `content_id` | string | Stable hash ID for the content item |
| `content_title` | string | Title |
| `content_creators` | string | Artist / author |
| `content_year` | int64 | Release / publication year |
| `reference_target` | string | Full text of the content |

Single `default` config, single `train` split.

## Usage

```python
from datasets import load_dataset
ds = load_dataset("unlearning-cleanslate/cleanslate_dataset", split="train")
```

## Related

- Previous schema (with memorization metadata, QA pairs, and cluster IDs): [`cleanslate_dataset_deprecated`](https://huggingface.co/datasets/unlearning-cleanslate/cleanslate_dataset_deprecated).
- Framework: [github.com/akhatua2/CleanSlate](https://github.com/akhatua2/CleanSlate)

配置项：
- 配置名称：default
数据文件：
- 拆分集：train
路径：data/train-*
- 配置名称：qa_benchmark
数据文件：
- 拆分集：train
路径：qa_benchmark/train-*
数据集信息：
配置名称：qa_benchmark
特征字段：
- 字段名：content_id，数据类型：string（字符串型）
- 字段名：content_title，数据类型：string（字符串型）
- 字段名：question，数据类型：string（字符串型）
- 字段名：answer，数据类型：string（字符串型）
拆分集：
- 拆分集名称：train，字节数：2252421，样本数量：12088
下载大小：939939，数据集总大小：2252421

# CleanSlate 数据集
本数据集为CleanSlate记忆评估框架的核心内容语料库。

## 数据结构（Schema）
| 字段名 | 数据类型 | 字段说明 |
|---|---|---|
| `content_id` | string（字符串型） | 内容项的稳定哈希ID |
| `content_title` | string（字符串型） | 内容标题 |
| `content_creators` | string（字符串型） | 创作者/作者 |
| `content_year` | int64（64位整型） | 内容的发布/出版年份 |
| `reference_target` | string（字符串型） | 内容的完整文本 |

仅包含`default`一个配置项，以及`train`一个拆分集。

## 使用方法
python
from datasets import load_dataset
ds = load_dataset("unlearning-cleanslate/cleanslate_dataset", split="train")

## 相关资源
- 旧版数据结构（包含记忆元数据、问答对与聚类ID）：[`cleanslate_dataset_deprecated`](https://huggingface.co/datasets/unlearning-cleanslate/cleanslate_dataset_deprecated)。
- 配套框架：[github.com/akhatua2/CleanSlate](https://github.com/akhatua2/CleanSlate)