数据集:

MicPie/unpredictable_baseball-fantasysports-yahoo-com

任务:

多项选择

问答

零样本分类

子任务:

multiple-choice-qa extractive-qa open-domain-qa

语言:

计算机处理:

monolingual

大小:

100K<n<1M

语言创建人:

found

批注创建人:

no-annotation

预印本库:

arxiv:2208.01009

许可:

apache-2.0

数据集介绍文件清单

英文

"UnpredicTable-baseball-fantasysports-yahoo-com"的数据集卡片 - 来自表格的Few-shot任务数据集

数据集摘要

UnpredicTable数据集包含格式化为Few-shot任务的网页表格，用于微调语言模型以提升其Few-shot性能。

有几个可用的数据集版本：

UnpredicTable-full ：从50M个表格的初始WTC语料库开始，我们应用表格到任务的过程来生成我们的结果数据集 UnpredicTable-full ，其中包含来自23744个唯一网站的413,299个任务。
UnpredicTable-unique ：与 UnpredicTable-full 相同，但经过筛选，每个网站最多只有一个任务。 UnpredicTable-unique 包含来自23744个网站的确切23,744个任务。
UnpredicTable-5k ：此数据集包含来自完整数据集的5k个随机表格。
根据人工质量评级的UnpredicTable数据子集（有关评级详细信息，请参阅我们的出版物）：
基于来源网站的UnpredicTable数据子集：
基于聚类的UnpredicTable数据子集（有关聚类详细信息，请参阅我们的出版物）：

支持的任务和排行榜

由于表格来源于网络，任务和主题的分布非常广泛。我们的数据集的形状非常宽，即我们有数千个任务，而每个任务只有少数示例，与大多数当前的NLP数据集相比，这些数据集非常深，即几十个任务和许多示例。这意味着我们的数据集涵盖了广泛的潜在任务范围，例如多项选择，问题回答，表格问题回答，文本分类等。

此数据集的预期用途是通过在我们的数据集上进行微调/预训练来提高Few-shot性能。

语言

英语

数据集结构

数据实例

每个任务表示为一个jsonline文件，并包含几个Few-shot示例。每个示例是一个字典，包含一个“task”字段，用于标识任务，后面是一个“input”，“options”和“output”字段。“input”字段包含表格中同一行的多个列元素，而“output”字段是目标，表示同一行的单个列元素。每个任务包含多个此类示例，可以将其连接为Few-shot任务。在多项选择分类的情况下，“options”字段包含模型需要选择的可能类别。

还有其他一些元数据字段，例如“pageTitle”，“title”，“outputColName”，“url”，“wdcFile”。

数据字段

'task'：任务标识符

'input'：表格中特定行的列元素。

'options'：用于多项选择分类，提供要选择的选项。

'output'：与输入相同行的目标列元素。

'pageTitle'：包含表格的页面标题。

'outputColName'：输出列名称

'url'：包含表格的网站的URL

'wdcFile'：WDC Web Table语料库文件

数据拆分

UnpredicTable数据集没有附带其他数据拆分。

数据集创建

策划理由

已经证明在多任务数据集上进行Few-shot训练可以提高语言模型在新任务上的Few-shot学习（FSL）性能，但目前尚不清楚哪些训练任务能够有效地进行下游任务适应。Few-shot学习数据集通常需要昂贵的人工策划，限制了可用于研究的训练任务的规模和多样性。作为Few-shot数据的替代来源，我们自动从各种互联网表格中提取了413,299个任务。我们提供这个作为研究资源，以研究训练数据和Few-shot学习之间的关系。

源数据

初始数据收集和规范化

我们使用WDC Web Table Corpus 2015（WTC）的英语关系子集中的互联网表格。WTC数据集的表格是从2015年7月的Common Crawl网络语料库（ http://webdatacommons.org/webtables/2015/EnglishStatistics.html ）中提取出来的。该数据集包含来自323,160个网域的50,820,165个表格。然后，我们将这些表格转换为Few-shot学习任务。有关数据收集和转换流程的更多详细信息，请参阅我们的出版物。

谁是源语言生成者？

该数据集提取自 WDC Web Table Corpora 。

注释

注释过程

仅对 UnpredicTable-rated-low ， UnpredicTable-rated-medium 和 UnpredicTable-rated-high 数据子集进行了手动注释，以评估任务质量。注释说明的详细说明可以在我们的出版物中找到。

谁是注释者？

注释由助理实验室执行。

个人和敏感信息

数据从 WDC Web Table Corpora 中提取，而 Common Crawl 又从其中提取了表格。我们没有以任何方式对数据进行过滤。因此，我们的数据集可能包含任何用户身份或其他敏感信息（例如，显示种族或民族起源，性取向，宗教信仰，政治观点或工会成员资格，或位置的数据;金融或健康数据;生物识别或基因数据;政府身份证明，例如社会安全号码;犯罪记录等）。

使用数据的注意事项

数据的社会影响

此数据集被用作研究资源，用于研究训练数据和Few-shot学习之间的关系。因此，它包含高质量和低质量的数据，以及可能不真实或不适当的各种内容。如果没有进行仔细的调查，不应将其用于部署用于决策关键或面向用户的情况的模型的训练。

偏见讨论

由于我们的数据集包含从网络上抓取的表格，因此它还将包含许多有害的、种族主义的、性别歧视的和其他有害的偏见和文本。我们没有对我们数据集中的偏见进行任何分析。我们也没有明确过滤内容。这意味着在我们的数据集上训练的模型可能反映出数据集中存在的有害偏见和有毒文本。

其他已知限制

没有其他已知限制。

其他信息

数据集策划者

Jun Shern Chan，Michael Pieler，Jonathan Jao，Jérémy Scheurer，Ethan Perez

许可信息

Apache 2.0

引用信息

@misc{chan2022few,
  author = {Chan, Jun Shern and Pieler, Michael and Jao, Jonathan and Scheurer, Jérémy and Perez, Ethan},
  title = {Few-shot Adaptation Works with UnpredicTable Data},
  publisher={arXiv},
  year = {2022},
  url = {https://arxiv.org/abs/2208.01009}
}

作者:

MicPie

数据集大小:

21.59 MB