unpredictable/unpredictable_unique

UnpredicTable-unique数据集由互联网表格格式化而成的少样本任务组成，旨在通过微调语言模型来提高其在少样本学习任务中的表现。该数据集包含23,744个任务，每个任务来自不同的网站，覆盖了多种任务类型，如多项选择、问答、文本分类等。所有数据均为英文，且未进行额外的数据分割。

The UnpredicTable-unique dataset consists of few-shot tasks formatted from web tables, and is designed to improve the performance of language models on few-shot learning tasks via fine-tuning. This dataset contains 23,744 tasks, each sourced from a distinct website, and covers a diverse range of task types including multiple-choice questions, question answering, text classification, and more. All data is in English, with no additional data splitting performed.

原始信息汇总

数据集概述

数据集名称

• UnpredicTable-unique

数据集摘要

• UnpredicTable-unique 是从原始的 UnpredicTable-full 数据集中筛选出来的，确保每个网站最多只有一个任务。该数据集包含23,744个任务，来自23,744个不同的网站。

支持的任务

• 多选题
• 问答
• 零样本分类
• 文本到文本生成
• 表格问答
• 文本生成
• 文本分类
• 表格分类

语言

• 英语

数据集结构

• 数据实例：每个任务以jsonline文件形式存在，包含多个few-shot示例。每个示例是一个字典，包含task（任务标识）、input（输入）、options（选项）和output（输出）等字段。
• 数据字段：包括task、input、options、output、pageTitle、outputColName、url和wdcFile等。

数据集创建

• 来源数据：数据集从WDC Web Table Corpus 2015中提取，该数据集包含50,820,165个表格，来自323,160个网站。
• 个人和敏感信息：数据集未经过滤，可能包含敏感信息。

使用数据的考虑

• 社会影响：数据集用于研究训练数据与few-shot学习之间的关系，不适合用于决策关键或用户面对的场景。
• 偏见讨论：数据集可能包含有害偏见和文本，未进行偏见分析。

许可信息

• Apache 2.0