用户工具

站点工具


sharegptqa

ShareGPTQAExtractor-mnbvc

项目需求描述

原始数据集

  • 本项目主要目的是从Trello上分享的ShareGPT语料链接中抽取中文/英文问答数据。一共5个语料:
  1. baiduzhidao-train

标准化需求说明

  • 将不同格式的原始数据集,统一处理为标准格式的jsonl文件,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,详细格式附后。
  • 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}"
    }
}
  • jsonl文件中每一行的json基本KV说明
KEYVALUE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
  • 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
  • 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
  • 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。

使用方式

环境准备

  1. 下载本项目
git clone ShareGPTQAExtractor-mnbvc

<HTML><ol start=“2” style=“list-style-type: decimal;”></HTML> <HTML><li></HTML>进入目录并安装依赖<HTML></li></HTML><HTML></ol></HTML>

cd ShareGPTQAExtractor-mnbvc
pip install -r requirements.txt

运行方式

通过以下命令将FILE文件转化并输出到以ShareGPT为开头的结果文件中。

python sharegpt_extract.py FILE -m MODEL

以上命令将输出时间戳结果文件例子shareGPT_gpt4_2023-09-17-00-21-06.jsonl。 模型和原始语料的对应关系如下:

MODEL 对应原始语料
multilang scryscan/multilingual-share
vicuna anon8231489123/ShareGPT_Vicuna_unfiltered
gpt4 Ejafa/GPT_4_with_ShareGPT
common_en/common_zhshareAI/ShareGPT-Chinese-English-90k
baiduzhidao shareGPT的中文问答

代码说明

  • sharegpt_extract.py 入口程序
  • schema.py 输出json模板

文件示例

原始文件示例(以[Ejafa/GPT_4_with_ShareGPT]格式文件为例)

  {
    "id": "yOKd88p",
    "conversations": [
      {
        "from": "human",
        "value": "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"
      },
      {
        "from": "gpt",
        "value": "Sure, here's a Shakespearean script about a girl who c..."
      },
      {
        "from": "human",
        "value": "Can you change Mary\u2019s name to Katy"
      },
      {
        "from": "gpt",
        "value": "Certainly! Here's the revised script:\n\nAct I, Scene I\n\nEnter KATY,..."
      }
    ]
  }

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"
                    }
    }
}
{
    "id": "82b2834abe2ed41a26bbbbbbbbbbbbbbbb",
    "问": "Can you change Mary\u2019s name to Katy",
    "答": "Certainly! Here's the revised script:\n\nAct I, Scene I\n\nEnter KATY,...",
    "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": 2,
                    "解析模型": "gpt4"
                    }
    }
},

补充说明

上面的格式方便查看,最终输出到文件仍然为jsonl的规范,如下:

{"id": "82b...", "问": "Can you make me a ...", "答": "Sure...", "来源": "ShareGPT", "元数据": {"create_time": "20230517 10:41:58",...}}
{"id": "82b...", "问": "Can you make me a ...", "答": "Sure...", "来源": "ShareGPT", "元数据": {"create_time": "20230517 10:41:58",...}}

相关项目

sharegptqa.txt · 最后更改: 2023/10/04 09:06 由 MNBVC项目组