WildChat 数据集概述

数据集描述

• 数据集名称: WildChat
• 数据集大小: 650K 对话
• 语言: 多语言（66种语言）
• 数据来源: 用户与ChatGPT的交互
• 数据收集方式: 通过提供用户免费访问OpenAI的GPT-3.5和GPT-4
• 数据集用途: 指令微调、用户行为研究
• 数据集特点: 包含模糊请求、代码切换、话题切换、政治讨论等多样化的用户-聊天机器人交互
• 数据集版本: 包含有毒和非有毒子集

数据字段

• conversation_id: 每个对话的唯一ID（字符串）
• model: 使用的OpenAI模型（字符串）
• timestamp: 对话中最后一轮的时间戳（UTC时间）
• conversation: 用户/助手发言列表，包含发言内容、语言、是否有毒、是否匿名化等信息
• turn: 对话轮数（整数）
• language: 对话的主要语言（字符串）
• openai_moderation: OpenAI内容审核结果列表
• detoxify_moderation: Detoxify内容审核结果列表
• toxic: 对话是否包含任何被认为有毒的发言（布尔值）
• redacted: 对话是否包含任何被匿名化的发言（布尔值）

数据集分割

• train: 包含622,024个样本，总大小为3.72GB

数据集版本更新

• 2024-06-26: 许可证更新为ODC-BY

引用信息

@inproceedings{ zhao2024wildchat, title={WildChat: 1M Chat{GPT} Interaction Logs in the Wild}, author={Wenting Zhao and Xiang Ren and Jack Hessel and Claire Cardie and Yejin Choi and Yuntian Deng}, booktitle={The Twelfth International Conference on Learning Representations}, year={2024}, url={https://openreview.net/forum?id=Bl8u7ZRlbM} }