ihounie/when2call_imbalanced_request

---
pretty_name: when2call_imbalanced_request
configs:
- config_name: train_pref
data_files:
- split: train
path: train-*
license: mit
language:
- en
tags:
- when2call
- preference-dataset
- class-imbalance
- synthetic-sampling
size_categories:
- 1K<n<10K
---

# when2call_imbalanced_request

This dataset is derived from `nvidia/When2Call` (`train_pref`, `train` split) by downsampling one chosen-response category to ~50% while keeping all other rows.

## Source

- Dataset: `nvidia/When2Call`
- Config: `train_pref`
- Split: `train`
- Source rows: 9000

## Classification Rules (on `chosen_response`)

Categories are assigned in this precedence order:

1. `toolcall` if text contains `<TOOLCALL>` (case-insensitive)
2. `request` if text contains `?`
3. `request` if text contains one of:
- `To proceed,`
- `Please provide`
- `Please specify`
(case-insensitive)
4. `refusal` if text contains one of:
- `apologies`
- `apologize`
- `sorry`
- `I'm unable` (including escaped/quoted variants)
- `I'm afraid`
(case-insensitive)
5. otherwise `unk`

## Sampling Procedure

- Target minority class: `request`
- Keep ratio for target class: 50% (floor when odd)
- Random seed: 44
- Other classes: all rows kept

## Class Counts (chosen_response)

### Before sampling

- refusal: 2999
- toolcall: 3000
- request: 3001
- unk: 0

### After sampling

- refusal: 2999
- toolcall: 3000
- request: 1500
- unk: 0

## Rows

- Final rows: 7499

## Notes

- The schema/columns match the source `train_pref` split format.
- This repo contains only the `train_pref`/`train` data.

pretty_name: when2call_imbalanced_request（不平衡呼叫请求数据集）
configs:
- config_name: train_pref
data_files:
- split: train
path: train-*
license: MIT
language:
- en
tags:
- when2call
- preference-dataset（偏好数据集）
- class-imbalance（类别不平衡数据集）
- synthetic-sampling（合成采样数据集）
size_categories:
- 1000 < 样本量 < 10000

# when2call_imbalanced_request（不平衡呼叫请求数据集）

本数据集源自`nvidia/When2Call`的`train_pref`训练拆分版本，通过对某一选定的回复类别进行下采样至约50%的占比，其余类别样本全部保留。

## 数据集来源
- 原始数据集：`nvidia/When2Call`
- 原始配置：`train_pref`
- 原始拆分：训练集（train）
- 原始样本量：9000

## 选定回复（chosen_response）的分类规则
分类将按照以下优先级依次判定：
1. 若文本包含`<TOOLCALL>`（不区分大小写），则归类为`toolcall`（工具调用类）
2. 若文本包含问号`?`，则归类为`request`（请求类）
3. 若文本包含以下任一内容（不区分大小写），则归类为`request`（请求类）：
- `To proceed,`
- `Please provide`
- `Please specify`
4. 若文本包含以下任一内容（不区分大小写），则归类为`refusal`（拒绝类）：
- `apologies`
- `apologize`
- `sorry`
- `I'm unable`（包括转义或带引号的变体）
- `I'm afraid`
5. 其余情况归类为`unk`（未知类）

## 采样流程
- 目标少数类：`request`（请求类）
- 目标类保留比例：50%（样本量为奇数时向下取整）
- 随机种子：44
- 其余类别：全部保留原样本

## 选定回复的类别分布
### 采样前
- 拒绝类（refusal）：2999条
- 工具调用类（toolcall）：3000条
- 请求类（request）：3001条
- 未知类（unk）：0条

### 采样后
- 拒绝类（refusal）：2999条
- 工具调用类（toolcall）：3000条
- 请求类（request）：1500条
- 未知类（unk）：0条

## 最终样本量
- 最终总样本量：7499条

## 说明
- 数据集的结构（Schema）与字段与原始`train_pref`拆分版本一致。
- 本仓库仅包含`train_pref`/`train`拆分的数据集。