albertkingdom/custom-service-ticket-zh-tw

Dataset Card：客服工單分類與結構化抽取（合成資料）

資料集摘要

繁體中文（台灣）電商客服工單合成資料集，用於六分類意圖分類 + 結構化欄位抽取任務。全部資料由 teacher LLM（Claude / GPT，經 OpenRouter 呼叫）依 schema-first structured output 生成，不含任何真實客服工單，無個資/版權疑慮。共 3,148 筆，切分為 train / validation / test 三份。

使用方式

from datasets import load_dataset

ds = load_dataset("albertkingdom/custom-service-ticket-zh-tw", data_files={
    "train": "train.jsonl",
    "validation": "validation.jsonl",
    "test": "test.jsonl",
})

資料切分

分割	筆數	label_status 分布	用途
train	2,497	全部 confirmed	訓練集
validation	326	confirmed 137 / boundary 189	迭代期間評測，可重複查看
test	325	confirmed 136 / boundary 189	最終評測，只查一次，避免被迭代決策污染

label_status 的意義：每筆工單生成後，會用另一個獨立來源的 LLM 重複判斷 5 次做多數決驗證（避免與生成 teacher 同源系統性偏誤未被抓到）。多數決結果與原始標籤一致 → confirmed；標籤本身落在語意模糊地帶、5 次判斷不一致 → boundary。

評測時 confirmed 與 boundary 必須分開計分：confirmed 有可信 ground truth，可用 Accuracy/F1；boundary 沒有唯一正確答案，只能用重複呼叫的標籤變異度衡量，不可混算成單一 accuracy。

欄位說明

每筆記錄結構如下（JSON Lines，一行一筆）：

{
  "ticket": {
    "ticket_text": "你好，我的服飾配件包裹已經到超商快接近保留期限了，但我還沒收到任何取貨通知耶，想請問是正常流程嗎？謝謝！",
    "category": "物流查詢",
    "primary_intent": "詢問超商取貨通知狀況",
    "order_or_product_info": "服飾配件",
    "emotion_intensity": 1,
    "needs_human": false
  },
  "is_multi_intent": false,
  "label_status": "confirmed",
  "validator_agreement_ratio": 1.0,
  "needs_human_agreement_ratio": 1.0,
  "emotion_dispersion": 0.0
}

欄位	型別	說明
ticket.ticket_text	string	模擬台灣客服工單的原始文字，口語化，可能包含多重訴求
ticket.category	enum（6 類，見下）	主要分類，核心分類欄位
ticket.primary_intent	string	從工單內容判斷出的核心訴求，簡短描述
ticket.order_or_product_info	string | null	工單中提及的訂單編號或商品資訊，無則為 null
ticket.emotion_intensity	int 1–5	顧客情緒強度，1 平靜、5 極度不滿
ticket.needs_human	bool	是否需要人工客服優先介入
is_multi_intent	bool	生成時是否刻意設定為多重訴求案例
label_status	"confirmed" | "boundary"	見上方說明
validator_agreement_ratio	float 0–1	validator 5 次判斷中，category 多數決一致比例，決定 label_status 的依據
needs_human_agreement_ratio	float 0–1	診斷用欄位，needs_human 判斷的一致比例，不參與 label_status 分流
emotion_dispersion	float ≥ 0	診斷用欄位，5 次 emotion_intensity 判斷的標準差，越低越一致，不參與 label_status 分流

六大分類定義

分類	定義重點
物流查詢	已下單商品的物流/配送狀態（配送延遲、包裹未送達、地址變更、取貨地點），重點是「貨走到哪、什麼時候到」，不涉及商品規格或售前疑問
退換貨申請	商品退貨、換貨、退款流程
帳務爭議	涉及實際金錢的爭議（信用卡重複扣款、發票金額不符、分期算錯、退款被扣手續費），不含會員點數/優惠券這類非金錢紀錄
商品諮詢	下單前的售前疑問（規格、庫存、使用方式、其他版本），重點是「商品本身是什麼」，不涉及已下單商品的物流狀態
帳號/系統問題	帳號本身或 App/網站系統功能異常（登入失敗、App 閃退、個資更新失敗、會員點數/優惠券未正確累計或扣除），即使涉及點數也不算帳務爭議，因為點數非實際金錢交易
客訴投訴	服務態度、重大不滿，需人工優先介入

生成方法論

• Teacher：Claude 或 GPT，經 OpenRouter 統一呼叫，schema-first structured output（不是自由文字生成後解析）
• 多樣性控制：商品類型 × 情境 × 情緒強度 × 是否多重訴求的組合變數矩陣，並用巢狀輪替池（PairRotator）避免多變數各自獨立輪替時在週期最小公倍數處產生規律性重複
• 去重：DedupPool 比對同分類已收錄的全部資料，避免組合重複
• 二次驗證：與生成 teacher 不同來源的 LLM 重複判斷 5 次做獨立分類，多數決結果決定 label_status
• 類別平衡補生成：針對確認率偏低的分類（客訴投訴/帳務爭議）補生成，將類別分布最大最小差異從 19.4% 收斂到 10.5%
• 後續補資料：訓練迭代階段另外針對「服務態度型客訴」補生成 30 筆，直接併入 train，是 train 筆數（2,497）高於「總生成量減去 validation/test」的原因

已知限制

誠實揭露，這些是資料生成過程中發現、記錄但尚未修正的系統性風險：

1. needs_human 欄位操作型定義模糊：欄位判斷幾乎完全由 emotion_intensity 單軸決定，不是驗證不穩定，是生成 prompt 對這個欄位的定義本身不夠明確
2. 客訴投訴 分類定義偏寬鬆：訓練集中約 36% 的「客訴投訴」案例語氣其實溫和（emotion_intensity <= 2），其中部分是純商品品質抱怨，沒有 schema 定義的「服務態度」核心，跟「退換貨申請」存在灰色地帶
3. 帳務爭議 / 退換貨申請 / 帳號系統問題 / 客訴投訴 之間存在 schema 邊界模糊案例：例如「退款用購物金退回」該算帳務爭議還是退換貨；「退款金額被莫名扣手續費」的表述會同時貼近帳務爭議定義；個資外洩類客訴會同時貼近帳號/系統問題定義。這些模糊邊界會被 boundary 案例放大，訓練出的分類模型在這些邊界上容易出現「自信但方向系統性偏移」的分類坍縮，重訓無法解決，需從收緊 schema 操作型定義著手

授權與使用限制

• 授權條款：CC-BY-4.0（可自由使用、修改、再散布，包含商業用途，須標註來源）
• 全部資料為 LLM 合成生成，不含真實使用者資料
• 適用於學術研究、模型訓練實驗、教學展示
• 語言限定繁體中文（台灣用語）

引用

無特定論文或機構需要引用。