guannanjiayou/china-rd-expenditure-categorization-dataset

Summary

本数据集用于 企业所得税研发费用 凭证文本的预分类/归集建议任务：给定费用凭证的简要信息（科目/摘要/部门/金额/收款方等），输出结构化预分析结果，供下游规则引擎与人工复核使用。

当前仓库包含两份 JSONL：

• —`data/train_samples.jsonl`：人工/示例样本（相对少量）
• —`data/train_generated.jsonl`：模型生成的扩充样本（相对多量），每条带 generated: true

Data format

每行是一个 JSON 对象，核心字段如下：

• —`messages`：对话格式（system/user/assistant）
• —system：任务说明与输出字段规范
• —user：一条费用凭证的文本化输入
• —assistant：只输出合法 JSON 字符串（结构化预分类结果）
• —`category`：该样本的归集科目标签（用于训练/评估的外部标签）
• —`difficulty`：难度（简单/中等/困难）
• —`generated`：是否为生成数据（仅在生成集里出现，布尔）
• —`scenario`：场景标签（仅在生成集里出现，字符串）

Assistant JSON schema (inside messages[].content)

assistant 的 content 是一个 JSON 字符串，字段约定：

• —`nature`：费用性质（人工费|材料费|设备折旧|无形资产摊销|服务费|其他）
• —`activity`：活动类型（研发|非研发|混合|不明）
• —`category`：建议归集科目（人员人工|直接投入|折旧摊销|无形资产摊销|设计装备调试|委托境内|委托境外|其他相关|不得归集|待判断）
• —`confidence`：置信度（高|中|低）
• —`flags`：需关注事项列表（字符串数组）

Recommended label set

category（外部标签）常见取值包括：

• —人员人工、直接投入、折旧摊销、无形资产摊销、设计装备调试、委托境内、委托境外、其他相关、不得归集、待判断

License

MIT License（见 LICENSE）。