Bilibili comment dataset

该数据集包含了来自中国视频分享平台哔哩哔哩的评论内容，主要关注用户生成的内容以及各种话题。该数据集的任务是用于训练和评估汉语拼音缩写转换为字符的模型。

This dataset contains video comment content from Bilibili, a Chinese video sharing platform, primarily focusing on user-generated content (UGC) and diverse topics. It is specifically designed for training and evaluating models that convert Chinese Pinyin abbreviations into full Chinese characters.

搜集汇总

背景与挑战

背景概述

Bilibili comment dataset是一个包含2023年从B站各个分区爬取的热门视频评论的中文数据集，总计约500万条评论，数据未经清洗，可能包含噪声和回复结构。其特点是覆盖广泛分区，但游戏区原神相关内容较多，可能导致模型训练时的偏见问题。