m-elio/spell_generation

该数据集包含从D&D Wiki的Homebrew部分获取的法术。这些法术经过了一系列的过滤和处理步骤，包括移除了没有特定标签的法术、移除了未正确指定所需组件的法术、移除了与非官方职业相关的法术，以及移除了法术描述中可能存在的“投票”部分。处理后的法术按照特定的格式进行了格式化，包括名称、等级、学派、职业、施法时间、范围、持续时间、组件、材料成本（如果有）和描述等字段。数据集的语言为英语，许可证为gfdl。

原始信息汇总

数据集概述

数据集名称

D&D 5th Edition Spells

数据集描述

本数据集包含从D&D Wiki的Homebrew部分获取的咒语。经过筛选和处理，确保每个咒语包含以下关键信息：

• 等级（Level）
• 学派（School）
• 持续时间（Duration）
• 施法时间（Casting time）
• 范围（Range）
• 组件（Components）

处理过程中，移除了以下类型的咒语：

• 缺少上述关键标签的咒语
• 组件信息不正确的咒语
• 与非官方职业相关的咒语
• 包含“投票”部分的咒语

数据集格式

每个咒语条目遵循以下格式：

Name: Level: School: Classes: Casting time: Range: Duration: Components: [若无组件要求，则此字段为None] Material cost: [若组件字段中无"M"字符，则跳过此字段] Description:

语言

英语

许可证

gfdl

搜集汇总

数据集介绍

构建方式

在奇幻角色扮演领域，咒语数据集是构建智能游戏辅助系统与自然语言处理模型的重要基石。该数据集源自D&D Wiki的Homebrew板块，经过严格的筛选与结构化处理而成。构建过程中，首先剔除了缺乏Level、School、Duration、Casting time、Range等核心标签的咒语条目；其次，排除了未明确指定施法所需组件（即V、S或M）的咒语；随后，过滤掉与非官方职业相关的咒语；最后，移除了咒语描述中可能存在的投票部分。清洗后的数据按照统一格式组织，包含名称、等级、学派、职业、施法时间、范围、持续时间、组件及描述等字段，其中组件字段在无需求时标记为None，材料成本字段仅在组件包含M时出现。

特点

该数据集具有鲜明的领域专精性与结构化特征。其数据全部来源于D&D Wiki社区贡献的咒语内容，涵盖了大量非官方或自定义的施法选项，为扩展《龙与地下城》第五版规则提供了丰富的语料资源。每条咒语均以键值对形式呈现，字段定义清晰且完整，便于直接用于序列生成、分类或信息抽取任务。特别地，组件与材料成本的显式标注使得模型能够学习施法条件的逻辑约束，而格式的统一性则降低了数据预处理成本。此外，数据集仅保留英文文本，语言单一性确保了跨任务的一致性。

使用方法

该数据集适用于多种自然语言处理场景。研究者可直接将其加载为JSON格式，利用Name、Level等字段构建咒语生成模型，或基于School、Classes等标签进行多标签分类任务。在序列到序列学习中，可将格式化后的咒语描述作为输入，训练模型自动补全缺失字段或生成新的咒语条目。对于信息抽取任务，组件与材料成本字段提供了明确的实体边界，便于训练识别施法条件的模型。使用时需注意，数据集遵循gfdl许可协议，在衍生作品中应保留原作者的署名信息。建议将数据划分为训练集与测试集，并针对非官方内容的多样性进行数据增强。

背景与挑战

背景概述

在自然语言处理与角色扮演游戏交叉的研究领域中，结构化文本生成任务逐渐受到关注，尤其是针对《龙与地下城》第五版（D&D 5e）这类复杂规则系统的法术描述自动构建。m-elio/spell_generation数据集由研究人员从D&D Wiki的Homebrew社区提取并精心筛选，创建于近年，旨在提供标准化的法术数据资源。该数据集聚焦于核心研究问题：如何从非结构化的社区贡献文本中提取并格式化法术的关键属性（如等级、学派、施法时间等），以支持法术描述生成模型的训练与评估。通过对源数据进行严格过滤，移除缺失必要标签或非官方职业关联的法术，并统一格式，该数据集为相关领域的模型开发提供了高质量基准，推动了自建法术自动生成技术的进步，对游戏内容创作和NLP应用具有显著影响力。

当前挑战

该数据集所解决的领域问题在于法术文本的结构化生成，面临多重挑战。首先，社区贡献的法术描述存在高度异构性，包括缺失关键字段（如等级、学派）、组件描述不规范（如V、S、M的表述不统一）以及包含非官方职业绑定，这要求构建过程必须设计精细的过滤规则以剔除无效数据。其次，法术描述中常混杂“投票”等非内容性章节，需通过算法自动去除以保持纯净。此外，不同来源的法术在材料成本字段的处理上差异显著，需在格式化时灵活跳过或填充，增加了数据清洗的复杂度。最后，确保生成的法术在语义和规则上符合D&D 5e标准，避免因错误解析导致模型输出逻辑矛盾，是评估阶段的核心挑战。

常用场景

经典使用场景

在自然语言处理与游戏文本生成领域，m-elio/spell_generation数据集为研究者提供了结构化的奇幻角色扮演游戏法术描述资源。该数据集源自D&D Wiki的Homebrew章节，经过严格过滤与格式化处理，保留了法术名称、等级、学派、施法时间、射程、持续时间、组件及描述等关键字段。其经典使用场景集中于文本生成任务，例如基于条件约束的法术描述自动生成、法术属性到自然语言描述的序列到序列建模，以及游戏内法术效果的语义解析与合成。研究者可利用该数据集训练语言模型，使其掌握奇幻文本的特定语法与风格，从而生成符合游戏规则的新法术。

解决学术问题

该数据集有效解决了结构化游戏数据与自然语言生成之间的鸿沟问题。在学术研究中，它常被用于探索条件文本生成、领域自适应预训练以及多模态语义对齐等课题。通过提供统一的字段格式，研究者能够系统性地分析法术属性（如等级与学派）对描述文本的影响，进而建模属性与文本间的概率映射关系。此外，该数据集推动了少样本学习与提示工程在特定领域文本生成中的验证，为评估生成文本的规则符合性与语义一致性提供了基准。其意义在于将游戏规则抽象为可计算的形式，加速了面向复杂约束文本生成任务的技术演进。

衍生相关工作

该数据集衍生了一系列经典工作，包括但不限于基于Transformer的法术描述生成模型、规则约束下的可控文本生成框架以及游戏领域专用语言模型的微调方法。研究者利用该数据集开发了属性条件编码器，实现了对法术等级与学派的显式控制；亦有工作将其与知识图谱结合，构建法术属性间的逻辑推理路径。此外，该数据集被用于评估生成文本的忠实度与创造性平衡，催生了面向游戏文本的自动评估指标。这些工作共同推动了结构化领域数据在生成式AI中的标准化应用，并为其他规则密集型文本（如牌类游戏描述）提供了可复现的研究范式。