notzero/oasstdt

该数据集包含多个特征，如消息ID、父消息ID、用户ID、创建日期、文本内容、角色、语言、审核次数、审核结果、是否删除、排名、是否合成、模型名称、毒性检测、消息树ID、树状态、表情符号和标签。其中，毒性检测、表情符号和标签是结构化的特征，包含多个子特征。数据集分为训练集和验证集，训练集包含84433个样本，验证集包含599个样本。数据集的下载大小为26302655字节，总大小为82250177字节。

原始信息汇总

数据集概述

数据集信息

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位浮点类型
• synthetic: 布尔类型
• model_name: null类型
• detoxify: 结构体类型
  • identity_attack: 64位浮点类型
  • insult: 64位浮点类型
  • obscene: 64位浮点类型
  • severe_toxicity: 64位浮点类型
  • sexual_explicit: 64位浮点类型
  • threat: 64位浮点类型
  • toxicity: 64位浮点类型
• message_tree_id: 字符串类型
• tree_state: 字符串类型
• emojis: 结构体类型
  • 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
  • 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位浮点类型

数据分割

• train:
  • 字节数: 81660237
  • 样本数: 84433
• validation:
  • 字节数: 589940
  • 样本数: 599

数据集大小

• 下载大小: 26302655 字节
• 数据集大小: 82250177 字节

配置

• default:
  • 数据文件:
    • train: data/train-*
    • validation: data/validation-*