用户工具

站点工具


现有语料格式

这是本文档旧的修订版!


通用文本格式 https://github.com/esbatmop/deduplication_mnbvc

问答语料格式 https://github.com/esbatmop/WikiHowQAExtractor-mnbvc

代码语料格式 https://github.com/esbatmop/githubcode_extractor_mnbvc

多轮对话语料格式 https://github.com/pany8125/ShareGPTQAExtractor-mnbvc

论坛语料格式 https://github.com/aplmikex/forum_dialogue_mnbvc

平行语料格式 https://github.com/liyongsea/parallel_corpus_mnbvc

对于语料格式的每个jsonl文件,其大小略大于500MB。

通用文本输出jsonl格式说明

1.对于每一个文件,他的json结构层次如下:

 
{
    '文件名': '文件.txt',
    '是否待查文件': False,
    '是否重复文件': False,
    '文件大小': 1024,
    'simhash': 0,
    '最长段落长度': 0,
    '段落数': 0,
    '去重段落数': 0,
    '低质量段落数': 0,
    '段落': []
}

将每一行为一个段落,段落的json结构层次如下:

 
{
    '行号': line_number,
    '是否重复': False,
    '是否跨文件重复': False,
    'md5': md5,
    '内容': line
}

2.结果示例:

 
{
        '文件名': '文件.txt',
        '是否待查文件': False,
        '是否重复文件': False,
        '文件大小': 1024,
        'simhash': 0,
        '最长段落长度': 0,
        '段落数': 0,
        '去重段落数': 0,
        '低质量段落数': 0,
        '段落': [
            {
                '行号': 1,
                '是否重复': False,
                '是否跨文件重复': False,
                'md5': 'md5hash1',
                '内容': '这是第一段文字。'
            }
        ]
    }

问答语料输出jsonl格式说明

1.每行是一条问答数据,对应一个WikiHow词条页面。

2.对于每一个问答数据,其最高层次结构如下。

{
    "id":123456,
    "问":"写一个超短小说",
    "答":"他们相遇,又别离。岁月如梭,情感却不减。",
    "来源":"wikihow",
    "元数据":{
        "create_time":"20230511 15:56:03",
        "问题明细":"",
        "回答明细":"",
        "扩展字段":""
    }
}

3.在wikihow语料中,“回答明细”是一个列表,结构层次如下:

[
    {
    "回答": "完整回答文本,包含方法、提示、注意事项",
    "简要回答": "回答的摘要文本,来自WikiHow的页面开头信息,概括了页面的主要内容",
    "结构": {}
    }
]

4.每个回答除了回答文本、简要回答文本以外,还有可供参考使用的结构信息,结构如下。

"结构": {
    "方法":[],
    "小提示":[],
    "注意事项":[]
}

5.方法内部的结构包括编号、标题、步骤,每个步骤包括自己的编号、标题、描述。

6.小提示、注意事项为字符串列表。

7.结果示例:

 
{
    "id": 0,
    "问": "如何在PS3上玩PS2游戏",
    "答": "1. 了解基础知识 ...",
    "来源": "来源",
    "元数据": {
        "create_time": "20230517 06:47:18",
        "问题明细": "...",
        "回答明细": {
            "回答": "...",
            "简要回答": "如果你的PS3游戏机的机型在硬件上兼容PS2光盘,那么你就可以在PS3上正常地玩PS2的游戏。尽管存档这些游戏需要额外的步骤,但是一旦你完成相关的游戏设置,很快你就可以在PS3上玩PS2游戏啦。",
            "结构": {
                "方法": [
                    {
                        "编号": 1,
                        "标题": "了解基础知识",
                        "步骤": [
                            {
                                "编号": 1,
                                "标题": "查明你的PS3是否具有反向兼容性。",
                                "描述": "PS3游戏机经历了一系列的更新升级和改变。尽管有些版本的PS3控制台可用于玩PS2游戏,但是并不是所有版本都能够兼容。..."
                            },
                            {
                                "编号": 2,
                                "标题": "像往常那样,插入游戏光盘。",
                                "描述": "PS2光盘插入光驱的方法和PS3光盘相同。一旦插入光盘,无需其它动作指令或协助,PS3就会自动识别并载入光盘内容。 接着,你就可以玩你想玩的游戏了。"
                            }
                        ]
                    }
                ],
                "小提示": ["如果你的PS3控制台不兼容,那么可以尝试从Playstation在线商店下载PS2版本游戏。遇到这种情况时,你需要购买一个新游戏,而不是使用旧版本游戏。但在兼容的控制台上也可以玩旧版本游戏。"],
                "注意事项": ["值得注意的是,有些PS2游戏只能部分兼容于PS3设备,所以在玩游戏的过程中可能遭遇各种问题。以下将列出部分于PS3设备的游戏:  生死极速 魔力女战士 火爆狂飙 ..."]
            }
        }
    }
}

代码语料输出jsonl格式说明

1.每行是一个文本的数据,对应一个代码仓库里的文本文件。

2.对于每一行数据,其最高层次结构如下。

{
    "来源":"github",
    "仓库名":"esbatmop/MNBVC",
    "path":"/main/README.md",
    "文件名":"README.md",
    "ext": "md",
    "size":123456,
    "原始编码":"GBK",
    "md5":"文件的md5值",
    "text": "文件的内容,utf8格式"
} 

3.结果示例:

 
{
        "来源":"github",
        "仓库名":"esbatmop/MNBVC",
        "path":"/main/README.md",
        "文件名":"README.md",
        "ext": "md",
        "size":123456,
        "原始编码":"GBK",
        "md5":"文件的md5值",
        "text": "文件的内容,utf8格式"
    }

多轮对话输出jsonl格式说明

1.每行对应一对问答,包含问答文本,以及同一会话下多轮问答的唯一标识和序号。

2.对于每一个问答数据,其最高层次结构如下。

 
{
    "id":"82b2834abe2ed41a26b6b06317114f8f",
    "问":"写一个超短小说",
    "答":"他们相遇,又别离。岁月如梭,情感却不减。",
    "来源":"ShareGPT",
    "元数据":{
        "create_time":"20230511 15:56:03",
        "问题明细":"\"from\": \"human\"",
        "回答明细":"\"from\": \"gpt\"",
        "扩展字段":"{\"会话\": 1, \"多轮序号\": 1, \"解析模型\": gpt4}"
    }
}

3.jsonl文件中每一行的json基本KV说明。

KEY VALUE说明
id 每一对问答的唯一标识,使用json串的md5作为唯一标识id
问的文本
答的文本
来源 固定为'ShareGPT'
元数据包含创建时间、问题明细、回答明细、扩展字段

4.元数据中每一项的KV说明。

KEY VALUE说明
create_time 问答创建时间,格式为%Y%m%d %H:%M:%S
问题明细 原始语料中问的来源,例如 “from”: “human”
回答明细 原始语料中答的来源,例如 “from”: “gpt”
扩展字段 包含会话的唯一标识和本条在会话中的序号,以及解析模型

5.扩展字段中每一项的KV说明。

KEY VALUE说明
会话 会话的唯一标识,例如 “会话”: “yOKd88p”
多轮序号本条在会话中的序号,例如 “多轮序号”: 1
解析模型 用于标识原始语料的来源,例如 “解析模型”: “gpt4”
其他。。等等语料中问答相关的其他补充信息字段

6.注意:如果有问没答,保持答为空。如果只有答案没有问,直接丢弃答。

7.结果示例:

 
{
        "id": "82b2834abe2ed41a26b6b06317114f8f",
        "问": "Can you make me a Shakespearean script about a girl who has tummy troubles and can\u2019t fart not matter how hard she tries- so they think she is a witch",
        "答": "Sure, here's a Shakespearean script about a girl who c...",
        "来源": "ShareGPT",
        "元数据": {
            "create_time": "20230517 10:41:58",
            "问题明细":"\"from\": \"human\"",
            "回答明细":"\"from\": \"gpt\"",
            "扩展字段": {
                        "会话": "yOKd88p",
                        "多轮序号": 1,
                        "解析模型": "gpt4"
                        }
        }
    }

论坛语料输出jsonl格式说明

1.每行是一个以一个主题,论坛针对该主题进行回复的对话。

2.对于每一个论坛主题对话,其最高层次结构如下。

 
{
    "ID": 10000,
    "主题": "主题",
    "来源": "清华树洞",
    "回复": [],
    "元数据": {
        "发帖时间": "20200628 06:38:34",
        "回复数": 37,
        "扩展字段": ""
    }
}

3.其中回复是关于该语料的回复的相关评论的字典的列表,其结构如下所示。

 
{
    "楼ID": "abcdef",
    "回复": "",
    "扩展字段": "",
}

4.主题是楼主的话,由于楼主如果只发了链接由于会被过滤掉,所以主题有可能是空字符串。

5.扩展字段会以字符串的格式给出,格式不完全固定,原始数据里面有什么就当前的内部格式如下所示,可以通过json.loads来解析。

元数据里面的扩展字段:

 
{
    "标签": "label", 
    "点赞数": 0, 
    "原文": "",
}

回复里面的扩展字段:

其中引用id代表回复的评论的那个的id,如果原始语料中只有回复某个人而没有具体回复哪条评论,引用ID置空,将只保留回复人。

(注:由于原始语料问题,引用人可能不能匹配在此回复之前的某个回复人)

 
{
    "回复人": "等站", 
    "回复时间": "", 
    "引用ID": "abcde",
    "引用人": "等战",
    "点赞数": 1,
    "点踩数": 1,
}

6.label代表这个帖代表什么类型的讨论。

7.原文是该语料的完整来源,如果我们代码解析出错可以在原文中自行提取。

8.结果示例:

 
{
        "ID": 275957,
        "主题": "出一张今晚七点贝多芬专场作品音乐会的票,一楼18排4座,原价60出。",
        "来源": "北大树洞",
        "回复": [
            {
                "楼ID": "1",
                "回复": "有意者可加洞主微信*",
                "扩展字段": "{\"回复人\": \"洞主\", \"引用人\": \"洞主\", \"回复时间\": \"20170924 13:54:21\"}"
            },
            {
                "楼ID": "2",
                "回复": "搭车转,楼主优先。有要的留言啊",
                "扩展字段": "{\"回复人\": \"Alice\", \"引用人\": \"Alice\", \"回复时间\": \"20170924 14:31:48\"}"
            },
            {
                "楼ID": "3",
                "回复": "已出",
                "扩展字段": "{\"回复人\": \"洞主\", \"引用人\": \"洞主\", \"回复时间\": \"20170924 17:17:50\"}"
            }
        ],
        "元数据": {
            "发帖时间": "20170924 13:53:31",
            "回复数": 3,
            "扩展字段": "{\"原文\": \"#p 275957 2017-09-24 13:53:31 1 3\\n出一张今晚七点贝多芬专场作品音乐会的票,一楼18排4座,原价60出。\\n\\n#c 1047150 2017-09-24 13:54:21\\n[洞主] 有意者可加洞主微信*\\n\\n#c 1047192 2017-09-24 14:31:48\\n[Alice] 搭车转,楼主优先。有要的留言啊\\n\\n#c 1047510 2017-09-24 17:17:50\\n[洞主] 已出\", \"点赞数\": 1}"
        }
    }

平行语料输出jsonl格式说明

1.对于每一个文件,他的json结构层次如下:

 
{
    '文件名': '文件.txt',
    '是否待查文件': False,
    '是否重复文件': False,
    '段落数': 0,
    '去重段落数': 0,
    '低质量段落数': 0,
    '段落': []
}

2.将每一行为一个段落,段落的json结构层次如下:

 
{
    '行号': line_number,
    '是否重复': False,
    '是否跨文件重复': False,
    'zh_text_md5': zh_text_md5,
    'zh_text': 中文,
    'en_text': 英语,
    'ar_text': 阿拉伯语,
    'nl_text': 荷兰语,
    'de_text': 德语,
    'eo_text': 世界语,
    'fr_text': 法语,
    'he_text': 希伯来文,
    'it_text': 意大利语,
    'ja_text': 日语,
    'pt_text': 葡萄牙语,
    'ru_text': 俄语,
    'es_text': 西班牙语,
    'sv_text': 瑞典语,
    'ko_text': 韩语,
    'th_text': 泰语,
    'other1_text': 小语种1,
    'other2_text': 小语种2,
}

3.结果示例:

 
{
        '文件名': '文件.txt',
        '是否待查文件': False,
        '是否重复文件': False,
        '段落数': 0,
        '去重段落数': 0,
        '低质量段落数': 0,
        '段落': [{
            '行号': 1,
            '是否重复': False,
            '是否跨文件重复': False,
            'zh_text_md5': 'zh_text_md5',
            'zh_text': '中文',
            'en_text': '英语',
            'ar_text': '阿拉伯语',
            'nl_text': '荷兰语',
            'de_text': '德语',
            'eo_text': '世界语',
            'fr_text': '法语',
            'he_text': '希伯来文',
            'it_text': '意大利语',
            'ja_text': '日语',
            'pt_text': '葡萄牙语',
            'ru_text': '俄语',
            'es_text': '西班牙语',
            'sv_text': '瑞典语',
            'ko_text': '韩语',
            'th_text': '泰语',
            'other1_text': '小语种1',
            'other2_text': '小语种2',
        }]
    }
现有语料格式.1696171776.txt.gz · 最后更改: 2023/10/01 22:49 由 MNBVC项目组