biznetgio/oasst2-javanese

---
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: 41986354
num_examples: 39283
download_size: 13998762
dataset_size: 41986354
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征：
- 名称：message_id（消息ID），数据类型：字符串
- 名称：parent_id（父消息ID），数据类型：字符串
- 名称：user_id（用户ID），数据类型：字符串
- 名称：created_date（创建日期），数据类型：字符串
- 名称：text（文本内容），数据类型：字符串
- 名称：role（角色），数据类型：字符串
- 名称：lang（语言），数据类型：字符串
- 名称：review_count（审核次数），数据类型：64位整数（int64）
- 名称：review_result（审核结果），数据类型：布尔型（bool）
- 名称：deleted（是否删除），数据类型：布尔型（bool）
- 名称：rank（排序分值），数据类型：64位浮点数（float64）
- 名称：synthetic（是否为合成数据），数据类型：布尔型（bool）
- 名称：model_name（模型名称），数据类型：空值（null）
- 名称：detoxify（毒性检测指标），结构体包含：
- identity_attack（身份攻击）：64位浮点数（float64）
- insult（侮辱性）：64位浮点数（float64）
- obscene（淫秽性）：64位浮点数（float64）
- severe_toxicity（严重毒性）：64位浮点数（float64）
- sexual_explicit（露骨性内容）：64位浮点数（float64）
- threat（威胁性）：64位浮点数（float64）
- toxicity（总体毒性）：64位浮点数（float64）
- 名称：message_tree_id（消息树ID），数据类型：字符串
- 名称：tree_state（树状态），数据类型：字符串
- 名称：emojis（表情符号信息），结构体包含：
- count（表情数量）：整数序列
- name（表情名称）：字符串序列
- 名称：labels（标签信息），结构体包含：
- count（标签数量）：整数序列
- name（标签名称）：字符串序列
- value（标签值）：浮点数序列
数据集划分：
- 划分名称：train（训练集），字节大小：41986354，样本数量：39283
下载大小：13998762 字节
数据集总大小：41986354 字节
配置项：
- 配置名称：default（默认配置），数据文件：
- 对应训练划分：路径为 data/train-*

原始信息汇总

数据集概述

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: 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位浮点数类型

数据集分割

• train: 包含41,986,354字节，39,283个样本

数据集大小

• 下载大小: 13,998,762字节
• 数据集大小: 41,986,354字节

配置

• default: 包含训练数据文件，路径为data/train-*