ShinRunner1st/ServiceHub_Dataset_14Cat

ServiceThub Thai IT Service Requests — 14 Categories

ชุดข้อมูลคำร้องขอบริการด้าน IT และงานสำนักงานภาษาไทย สำหรับงานจำแนกหมวดหมู่ข้อความ (text classification) ปรับปรุงจากชุดข้อมูลต้นฉบับ 18 หมวด โดยตัดหมวดที่นิยามไม่ชัดเจนออกและรวมหมวดที่ขอบเขตทับซ้อนกัน เหลือ 14 หมวด

A Thai-language dataset of IT / office service requests for multi-class text classification. Derived from an 18-category version by dropping the ill-defined Other class and merging three pairs of overlapping classes, resulting in 14 categories.

⚠️ ข้อความทั้งหมดถูกสร้างด้วย LLM (synthetic data) และ label มาจากหมวดที่กำหนดใน prompt ตอนสร้างข้อความ ไม่ได้ผ่านการแท็กโดยมนุษย์ โปรดอ่านหัวข้อ ข้อจำกัด ก่อนนำไปใช้

ภาพรวม (Dataset Summary)

รายการ	ค่า
จำนวนแถว	2,850
จำนวนหมวด (category)	14
ภาษา	ไทย (มีคำภาษาอังกฤษปนตามบริบทงาน IT)
ความยาวข้อความ	เฉลี่ย ~109 ตัวอักษร (ต่ำสุด 8, สูงสุด 283)
แถวซ้ำ	ไม่มี
Split	train เพียง split เดียว (ผู้ใช้แบ่ง train/test เอง)

โครงสร้างข้อมูล (Data Fields)

คอลัมน์	ชนิด	คำอธิบาย
request_text	string	ข้อความคำร้องขอบริการภาษาไทย
category	string	หมวดหมู่ของคำร้อง (14 หมวด) — label หลัก
priority	string	ระดับความเร่งด่วน: High, Medium, Low
sentiment	string	อารมณ์ของข้อความ: Positive, Neutral, Negative
_generation	string	metadata ตอนสร้างข้อมูล (dict ในรูป string) มี target_category, target_priority, target_sentiment

หมายเหตุ: target_category ใน _generation เป็นชื่อหมวดเดิมแบบ 18 หมวด ก่อนการรวม เก็บไว้เพื่อให้ย้อนดูที่มาของแต่ละแถวได้

ตัวอย่างข้อมูล (Example)

{
  "request_text": "พี่ครับ รบกวนช่วยตรวจสอบสิทธิ์การเข้าใช้งานระบบบัญชีให้หน่อยครับ พอดีเข้าไปดูข้อมูลไม่ได้",
  "category": "Account & Access",
  "priority": "High",
  "sentiment": "Neutral",
  "_generation": "{'target_category': 'Account & Access', 'target_priority': 'High', 'target_sentiment': 'Neutral'}"
}

การกระจายของหมวดหมู่ (Label Distribution)

หมวด (category)	จำนวน
Software & System	350
Hardware & Device	340
Information & Policy	340
Account & Access	180
Procurement Request	170
Network Issue	170
Data & Database	170
Meeting/Resource Request	170
Email & Communication	170
Quotation Request	160
Billing & Payment	160
HR & Employee Service	160
Security Issue	160
Plan/Budget Approval	150

หมวดที่เกิดจากการรวมมีขนาดราว 2 เท่าของหมวดอื่น แนะนำให้ใช้ class weights หรือ stratified split ตอนเทรน

priority	จำนวน		sentiment	จำนวน
High	999		Neutral	1,146
Medium	997		Negative	998
Low	854		Positive	706

การปรับจาก 18 เป็น 14 หมวด (Taxonomy Revision)

ชุดข้อมูลต้นฉบับมี 18 หมวด จำนวน 3,000 แถว ผลวิเคราะห์ error จากการเทรนโมเดลบน taxonomy เดิมพบปัญหา 2 แบบ จึงปรับดังนี้

1. ตัดหมวด Other (150 แถว) เพราะหมวดนี้นิยามด้วยการปฏิเสธ ("ไม่เข้าหมวดอื่น") ทำให้โมเดลเรียนรู้รูปแบบได้ยาก

2. รวม 3 คู่หมวดที่สับสนกันแบบสองทาง ซึ่งสะท้อนว่าขอบเขตนิยามทับซ้อนกัน

หมวดเดิม	หมวดใหม่
Hardware Issue + Device & Peripheral	Hardware & Device
Software Issue + System Support	Software & System
General Information + Policy & Procedure	Information & Policy

หมวดอื่นอีก 11 หมวดคงชื่อและข้อมูลเดิมไว้ทั้งหมด การปรับทำด้วยการ relabel ก่อนเทรน ไม่ได้ map ผลทำนายภายหลัง

วิธีใช้งาน (Usage)

from datasets import load_dataset

ds = load_dataset("ShinRunner1st/ServiceHub_Dataset_14Cat")
print(ds["train"][0])

แบ่ง train/test แบบ stratified:

ds = ds["train"].class_encode_column("category")
split = ds.train_test_split(test_size=0.2, stratify_by_column="category", seed=2026)

ข้อจำกัด (Limitations)

• Synthetic data: ข้อความทั้งหมดสร้างด้วย LLM จึงอาจมีรูปแบบภาษาที่สม่ำเสมอกว่าคำร้องจริง ผลลัพธ์ของโมเดลที่เทรนบนชุดนี้อาจไม่สะท้อนประสิทธิภาพบนข้อมูลจริงในองค์กร
• Label มาจาก prompt: category, priority และ sentiment คือค่าที่สั่งให้ LLM สร้าง ไม่ใช่การแท็กโดยมนุษย์ ข้อความบางแถวอาจไม่ตรงกับ label ที่ได้รับ (label noise)
• Class imbalance: หมวดที่รวมกันมีขนาดใหญ่กว่าหมวดอื่นประมาณ 2 เท่า
• ขอบเขตโดเมน: ครอบคลุมคำร้องด้าน IT และงานสำนักงานทั่วไปเท่านั้น
• ไม่มีข้อมูลส่วนบุคคลจริง: เนื่องจากเป็นข้อมูลสังเคราะห์ ไม่ได้มาจากคำร้องของผู้ใช้จริง

License

เผยแพร่ภายใต้ CC BY 4.0

Citation

@misc{servicethub_thai_14cat,
  title  = {ServiceThub Thai IT Service Requests (14 categories)},
  author = {ShinRunner1st},
  year   = {2026},
  howpublished = {\url{https://huggingface.co/datasets/ShinRunner1st/ServiceHub_Dataset_14Cat}}
}