Obiactum/Dataset-ITA

该数据集包含多个特征，如消息ID、父ID、用户ID、创建日期、文本、角色、语言、评论计数、评论结果、删除状态、排名、合成标志、模型名称、毒性分析、消息树ID、树状态、表情符号和标签等。数据集分为训练集和验证集，分别包含80877和3236个样本。

原始信息汇总

数据集特征

• 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

数据集分割

• validation:
  • 字节数: 3411559
  • 样本数: 3236
• train:
  • 字节数: 83540024
  • 样本数: 80877

数据集大小

• 下载大小: 29274366 字节
• 数据集大小: 86951583 字节

配置

• config_name: default
  • data_files:
    • validation: 路径为 data/validation-*
    • train: 路径为 data/train-*