CoolFace
Datasetpublic

Mxode/IndustryInstruction-Chinese

中文行业指令数据集 💻 Github Repo 简介 本数据集提取了原数据集 BAAI/IndustryInstruction 中源语言为中文的部分,并做了清洗。数据集分为单轮对话和多轮对话两个子集。 本数据集包含的行业及具体数据如下: 领域 单轮对话数目 多轮对话数目 AeroSpace 72667 0 Artificial-Intelligence 43906 0 Automobiles 78036 0 Finance-Economics 40135 0 Health-Medicine 177152 105320 Hospitality-Catering 39261 0 Law-Justice 43485 0 Literature-Emotions 44841 0 Subject-Education 271402 73 Technology-Research 41751 0 Transportation 51505 0 Travel-Geography… See the full description on the dataset page: https://huggingface.co/datasets/Mxode/IndustryInstruction-Chinese.

sourceHugging Facecc-by-sa-4.0updated 1y agoView on Hugging Face
2likes136downloads
Dataset Card

<h1 align="center"> 中文行业指令数据集 </h1>

<p align="center"> <a href="https://github.com/Mxoder/Maxs-Awesome-Datasets" target="_blank">💻 Github Repo</a> <br> </p>

简介

本数据集提取了原数据集 BAAI/IndustryInstruction 中源语言为中文的部分,并做了清洗。数据集分为单轮对话和多轮对话两个子集。

本数据集包含的行业及具体数据如下:

领域单轮对话数目多轮对话数目
AeroSpace726670
Artificial-Intelligence439060
Automobiles780360
Finance-Economics401350
Health-Medicine177152105320
Hospitality-Catering392610
Law-Justice434850
Literature-Emotions448410
Subject-Education27140273
Technology-Research417510
Transportation515050
Travel-Geography371500

数据格式

请注意:单轮对话和多轮对话两个子集的字段不完全相同。

单轮对话(single_turn):

json
{
  "id": << 12位nanoid >>,
  "prompt": << 输入提示 >>,
  "response": << 输出回复 >>,
  "subset": << 行业名称 >>,
  "source": << 原数据集中的 `id` 字段,对应生成来源 >>,
  "deita_score": << DEITA 分数 >>,
  "rw_score": << reward 偏好分数 >>
}

多轮对话(multi_turn):

json
{
  "id": << 12位nanoid >>,
  "conversations": << 多轮对话 >>,
  "subset": << 行业名称 >>,
  "source": << 原数据集中的 `id` 字段,对应生成来源 >>,
  "deita_score": << DEITA 分数 >>,
  "rw_score": << reward 偏好分数 >>
}

其中部分数据的 deita_scorerw_score 在原数据集就是缺失的。此外,此处给出两个分数的分布:

[image]

已知局限性

在清洗的过程中,发现了一些原数据集固有的缺陷,已经尽力解决了一部分,但可能还有更多尚未被发现,使用时如有必要可以再清洗:

解答过程缺失

python
[
  {
    'from': 'human',
    'value': '请阅读问题并提供正确的答复。\n问题:女性,50岁,上腹痛3月余,2月前钡透为胃窦后壁溃疡,经抗溃疡药物治疗8周疼痛曾一过性缓解,进一步处理应首选__选项:A. 继续药物治疗 B. 反复查便隐血试验 C. 钡餐检查 D. 胃镜检查 E. 手术治疗 '},
  {
    'from': 'gpt',
    'value': '答案是:D'
  }
]

文本噪声

python
[
  {
    'from': 'human',
    'value': '下面这首诗曾获某杂志主办的征文大赛一等奖,请品读该诗,说明获奖理由。\n 要求:不少于3点理由,100字左右你还在我身旁 戴畅 瀑布的水逆流而上 蒲公英的种子成远处飘回,聚成伞的模样 太阳从西边升起,落向东方  子弹退回枪膛, 运动员回到起跑线上, 我交回录取通知书,忘了十年寒窗  厨房里飘来饭菜的香 你把我的卷子签好名字, 关掉电视,帮我把书包背上  你还在我身旁下面这首诗曾获某杂志主办的征文大赛一等奖,请品读该诗,说明获奖理由 要求:不少于3点理由,100字左右'},
  {
    'from': 'gpt',
    'value': '【考点】81:综合读写.菁优网版权所有 【分析】本题考查综合读写,要求品读诗歌,赏析诗歌,说明诗歌的获奖理由。品读诗歌可以自选角度,可以从人物形象、语言形式、手法和思想内容情感等方面赏析,赏析时应注意结合诗句,不要笼统地说明,应结合诗句说明。 【解答】说明理由可以从语言形式的角度说明,诗歌读起来朗朗上口,错落有致。可以从人物形象方面说明,诗歌中的“你”是母亲,“我”是孩子,写了生活中的日常,比如“母亲为我做饭、为我签字、关电视、为我背书包”,这些都是生活中平常的细节,却让人感动,表现了亲情可贵。可以从手法结构的角度说明,作者开篇并没有谈到情感,而是蓄势铺垫,开头两节写的是不可能出现的现象和事情,这种写法叫回溯,就是上溯,向上推导。第一小节写不可能的现象是瀑布的水逆流而上,蒲公英的种子飘聚成伞,太阳西升东落。第二节写的不可能的现象是子弹、运动员和我各自回到初始的状态。这都表明我不愿意离开母亲。从结构上来看,这是层层铺垫,在情感上就达到了极致,母亲还在我身边,我即便长大,仍然想要回到过去,留在母亲的身边。 \n#### 答案是:①用回溯的写法,以各种不可能出现的现象,来表达内心的渴望。 ②精心选择与母子关系相关联的意象,表现真挚亲情。 ③再现日常生活细节,亲切感人。 ④层层铺垫,结尾点题、单句成节,产生强烈的情感冲击力。 ⑤诗行错落有致,具有视觉美感。'
  }
]

事实错误

这里「鄠」字的读音应当是「hù」。

python
[
  {
      "from": "human",
      "value": "用汉语拟音“我喜欢重庆”的英文翻译"
  },
  {
      "from": "gpt",
      "value": "\"Wo xi huan Chongqing\" is the pinyin representation of \"我喜欢重庆\" in Chinese, which translates to \"I like Chongqing\" in English."
  },
  {
      "from": "human",
      "value": "鄠 怎么读"
  },
  {
      "from": "gpt",
      "value": "\"鄠\" 这个汉字的拼音是 \"huan\",发音类似于英文中的 \"hwan\"。"
  }
]