FanChen0116/19100_chat_50x_slot_limit

---
dataset_info:
features:
- name: id
dtype: int64
- name: tokens
sequence: string
- name: labels
sequence:
class_label:
names:
'0': O
'1': I-time
'2': B-date
'3': B-last_name
'4': B-people
'5': I-date
'6': I-people
'7': I-last_name
'8': I-first_name
'9': B-first_name
'10': B-time
- name: request_slot
sequence: string
splits:
- name: train
num_bytes: 580637
num_examples: 3200
- name: validation
num_bytes: 5405
num_examples: 32
- name: test
num_bytes: 5405
num_examples: 32
download_size: 0
dataset_size: 591447
---
# Dataset Card for "19100_chat_50x_slot_limit"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

### 数据集信息
#### 特征项
1. 字段名：`id`，数据类型：64位整数（int64）
2. 字段名：`tokens`，数据类型：字符串序列
3. 字段名：`labels`，数据类型：序列标签，其类别标签映射关系为：0: O，1: I-time，2: B-date，3: B-last_name，4: B-people，5: I-date，6: I-people，7: I-last_name，8: I-first_name，9: B-first_name，10: B-time
4. 字段名：`request_slot`，数据类型：字符串序列

#### 数据集划分
1. 训练集（train）：占用字节数580637，样本总量3200
2. 验证集（validation）：占用字节数5405，样本总量32
3. 测试集（test）：占用字节数5405，样本总量32

下载总大小：0，数据集总存储大小：591447

---

# 「19100_chat_50x_slot_limit」数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集名称

• 名称: 19100_chat_50x_slot_limit

数据集特征

• id: 整数类型 (int64)
• tokens: 字符串序列
• labels: 分类标签序列
  • 类别名称:
    • 0: O
    • 1: I-time
    • 2: B-date
    • 3: B-last_name
    • 4: B-people
    • 5: I-date
    • 6: I-people
    • 7: I-last_name
    • 8: I-first_name
    • 9: B-first_name
    • 10: B-time
• request_slot: 字符串序列

数据集划分

• 训练集:
  • 样本数: 3200
  • 大小: 580637 字节
• 验证集:
  • 样本数: 32
  • 大小: 5405 字节
• 测试集:
  • 样本数: 32
  • 大小: 5405 字节

数据集大小

• 总大小: 591447 字节
• 下载大小: 0 字节

搜集汇总

数据集介绍

构建方式

在自然语言处理领域，命名实体识别与槽位填充是构建对话系统的核心任务。该数据集名为FanChen0116/19100_chat_50x_slot_limit，其构建基于对中文对话文本的精细标注。数据集中每条样本包含唯一的标识符id、分词后的token序列、对应的标签序列以及请求槽位信息。标签体系涵盖10个细粒度类别，包括时间、日期、姓氏、人名等实体类型，采用BIO标注范式进行标记。数据集被划分为训练集、验证集和测试集，分别包含3200、32和32条样本，整体规模约591KB，确保了模型训练与评估的均衡性。

特点

该数据集的核心特点在于其针对对话场景中槽位限制的专门设计。通过引入request_slot字段，每条样本明确标注了对话中需要填充的请求槽位，这为研究有限槽位条件下的对话理解提供了独特资源。标签类别覆盖时间、日期、人名等关键实体，且区分了姓氏与名字的不同位置标记，能够有效支持细粒度的实体抽取任务。数据规模虽小但结构紧凑，各分片数据量分布合理，便于进行快速迭代实验与模型性能验证。

使用方法

使用该数据集时，可通过HuggingFace的datasets库直接加载，代码实现简洁高效。用户可调用load_dataset函数指定数据集名称'FanChen0116/19100_chat_50x_slot_limit'，自动获取训练、验证和测试三个子集。每条样本的tokens与labels字段可直接用于序列标注模型的输入与输出，而request_slot字段则可用于条件生成或槽位预测任务。建议在加载后对标签名称进行映射转换，以便适配不同的深度学习框架，如PyTorch或TensorFlow。

背景与挑战

背景概述

在任务型对话系统中，槽位填充（Slot Filling）是自然语言理解的核心子任务之一，旨在从用户话语中精准识别与领域相关的关键信息，如人名、日期和时间等。由FanChen等人于近年构建的19100_chat_50x_slot_limit数据集，聚焦于中文对话场景下的槽位识别，其标注体系涵盖十种细粒度实体类别，包括姓、名、人物、日期与时间等，为多槽位交互建模提供了宝贵资源。该数据集包含3200条训练样本及各32条验证与测试样本，规模虽小却针对高并发槽位限制场景设计，旨在探索模型在有限训练数据下对多样化槽位组合的泛化能力，对推动中文对话理解研究具有重要启示。

当前挑战

当前数据集面临的核心挑战包括：其一，领域问题层面，任务型对话中的槽位填充常面临长尾实体与语境歧义，如“明天上午”可能同时涉及日期与时间槽位，模型需在有限标注下准确区分细粒度类别；其二，构建过程中，数据集仅包含3200条训练样本，样本量偏小且类别分布不均（如B-time与I-time仅出现一次），导致模型易过拟合于高频槽位，对低频或罕见组合的泛化能力不足；其三，高并发槽位场景下，单句内多槽位重叠与依赖关系复杂，现有序列标注方法难以捕捉跨槽位的语义关联，需设计更鲁棒的架构以应对实际对话中的动态约束。

常用场景

经典使用场景

该数据集专注于中文对话中的槽位填充任务，特别针对时间、日期、人名等关键信息进行细粒度标注。其经典使用场景在于构建面向任务型对话系统的语义理解模块，通过序列标注方法从用户自然语言输入中精准抽取预定义的槽位值，如将“明天下午三点见张三”解析为日期、时间与人物实体。数据集设计了50种槽位限制，强化了模型在复杂对话语境下的泛化能力，成为中文对话理解研究中的基准资源之一。

衍生相关工作

该数据集衍生了一系列面向中文对话的联合模型与跨任务学习研究，例如将槽位填充与意图识别进行多任务联合训练的工作，以及探索基于预训练语言模型（如BERT）的序列标注微调方案。此外，部分工作利用该数据集验证了对抗训练与数据增强策略在提升槽位填充鲁棒性上的有效性，并催生了针对长尾槽位标签的元学习或提示学习方法，进一步拓展了低资源场景下对话理解的技术边界。

数据集最近研究

最新研究方向

该数据集聚焦于中文对话中的槽位填充与命名实体识别任务，其标签体系涵盖时间、人名、姓氏与名字等细粒度实体类型，反映了当前自然语言处理领域在对话系统与信息抽取中的前沿探索。随着大语言模型与任务型对话系统的深度融合，精准识别用户意图中的关键槽位成为提升交互体验的核心挑战。该数据集通过提供标注的对话样本，支持研究者在有限样本场景下训练高效槽位填充模型，尤其适用于资源受限或快速迭代的对话应用。其研究意义在于推动中文对话理解向细粒度、高鲁棒性方向发展，助力智能客服、语音助手等热点应用在复杂对话中实现更自然的信息提取与任务执行。