danielroncel/dstc2_dialogues_transcript_input_gpt2

---
dataset_info:
features:
- name: session_id
dtype: string
- name: audio_file
dtype: string
- name: chat_history_last_9_tokenized
sequence: int64
- name: speaker_text_last_9_tokenized
sequence: int64
- name: attention_mask
sequence: int64
- name: label_semantics
dtype: string
- name: label_semantics_encoded
dtype: int64
- name: label
dtype: string
- name: label_encoded
dtype: int64
splits:
- name: train
num_bytes: 185829774
num_examples: 22266
download_size: 1880555
dataset_size: 185829774
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息:
特征字段:
- 名称: 会话ID
数据类型: 字符串
- 名称: 音频文件
数据类型: 字符串
- 名称: 最近9轮对话历史的词元（Token）化结果
数据类型: 64位整数序列
- 名称: 说话者最近9轮文本的词元（Token）化结果
数据类型: 64位整数序列
- 名称: 注意力掩码
数据类型: 64位整数序列
- 名称: 语义标签
数据类型: 字符串
- 名称: 语义标签编码结果
数据类型: 64位整数
- 名称: 标签
数据类型: 字符串
- 名称: 标签编码结果
数据类型: 64位整数
数据拆分:
- 名称: 训练集
占用字节数: 185829774
样本数量: 22266
下载大小: 1880555
数据集总大小: 185829774
配置项:
- 配置名称: 默认
数据文件:
- 数据拆分: 训练集
文件路径: data/train-*

原始信息汇总

数据集概述

数据集特征

• session_id: 数据类型为字符串。
• audio_file: 数据类型为字符串。
• chat_history_last_9_tokenized: 数据类型为整数序列。
• speaker_text_last_9_tokenized: 数据类型为整数序列。
• attention_mask: 数据类型为整数序列。
• label_semantics: 数据类型为字符串。
• label_semantics_encoded: 数据类型为整数。
• label: 数据类型为字符串。
• label_encoded: 数据类型为整数。

数据集分割

• train: 包含22266个样本，占用185829774字节。

数据集大小

• 下载大小: 1880555字节。
• 数据集大小: 185829774字节。

配置

• default:
  • 数据文件:
    • split: train
    • path: data/train-*