|
--- |
|
dataset_info: |
|
features: |
|
- name: qid |
|
dtype: string |
|
- name: question |
|
dtype: string |
|
- name: answer |
|
dtype: string |
|
- name: context |
|
sequence: string |
|
- name: answers |
|
sequence: string |
|
- name: competition |
|
dtype: string |
|
- name: timestamp |
|
dtype: string |
|
- name: section |
|
dtype: string |
|
- name: number |
|
dtype: string |
|
- name: original_question |
|
dtype: string |
|
- name: original_answer |
|
dtype: string |
|
- name: original_additional_info |
|
dtype: string |
|
splits: |
|
- name: train |
|
num_bytes: 7981391 |
|
num_examples: 2939 |
|
- name: validation |
|
num_bytes: 2671680 |
|
num_examples: 980 |
|
download_size: 6275956 |
|
dataset_size: 10653071 |
|
configs: |
|
- config_name: default |
|
data_files: |
|
- split: train |
|
path: data/train-* |
|
- split: validation |
|
path: data/validation-* |
|
license: cc-by-sa-4.0 |
|
task_categories: |
|
- question-answering |
|
language: |
|
- ja |
|
--- |
|
|
|
|
|
## ⚠️ ! 注意 ! |
|
|
|
公開したデータセットは、私の不注意で本来学習させる用途には相応しくない、JAQKET テスト用のデータセットも train に含んでしまっています。 |
|
そのため、以下のように再度テスト用のデータを分離してからの利用をお勧めします。 |
|
|
|
``` |
|
import datasets |
|
|
|
ds = datasets.load_dataset("hotchpotch/jaqket_v1_qa_wikija_context") |
|
train_ds = ds["train"] # type: ignore |
|
valid_ds = ds["validation"] # type: ignore |
|
|
|
# 大元の "hotchpotch/jaqket_v1_qa_wikija_context" の train / valid 分割方法がよくないので、再度分割する |
|
|
|
train_df = train_ds.to_pandas() |
|
valid_df = valid_ds.to_pandas() |
|
df = pd.concat([train_df, valid_df]) |
|
|
|
valid_target_section_names = ['リーダーボードテスト問題', 'ライブコンペテスト問題'] |
|
valid_df = df[df.section.isin(valid_target_section_names)] |
|
train_df = df[~df.section.isin(valid_target_section_names)] |
|
print(len(train_df), len(valid_df)) |
|
``` |
|
|
|
|
|
# jaqket_v1_qa_wikija_context |
|
|
|
|
|
[AI王 公式配布データセット(JAQKET)](https://sites.google.com/view/project-aio/dataset?authuser=0)へ、Wikipedia のコンテキストを追加したデータセットです。 |
|
|
|
JAQKET で公開されており、かつライセンスが[CC BY-SA 4.0 DEED](https://creativecommons.org/licenses/by-sa/4.0/deed.ja)のデータをもとに、質問の回答が含まれる Wikipedia の passage をコンテキスト追加し HuggingFace Dataset を作成した物です。Q&A タスクにコンテキスト入れて学習させたいときや、質問 + コンテキストから回答をきちんと抽出できるのか(RAGのreader用途)、といったタスクの利用が想定されます。 |
|
|
|
データセットの context には、wikipedia の関連 passage の Top-3 (質問を特徴文ベクトルへ変換したもの類似passage Top-3)が格納されていて、このTop-3のうちのどこかの文字列に answer が含まれています。Top-3にanswerが含まれなかったデータは、取り除いています。データはtrain 2939件、validation 980件に split しています。 |
|
|
|
wikipedia passage には [singletongue/wikipedia-utils の passages-c400-jawiki-20230403](https://huggingface.co/datasets/singletongue/wikipedia-utils/viewer/passages-c400-jawiki-20230403)を、質問から関連する passage の取得には [hotchpotch/wikipedia-passages-jawiki-embeddings](https://huggingface.co/datasets/hotchpotch/wikipedia-passages-jawiki-embeddings)の `multilingual-e5-large-query` を使って類似ベクトル検索し抽出しています。 |
|
|
|
|
|
## データセットの作成スクリプト |
|
|
|
- https://huggingface.co/datasets/hotchpotch/jaqket_v1_qa_wikija_context/blob/main/create_dataset.ipynb |
|
|
|
## ライセンス |
|
|
|
- [CC BY-SA 4.0 DEED](https://creativecommons.org/licenses/by-sa/4.0/deed.ja) |
|
|
|
|
