datasets

EmoLLM数据集

• 数据集按用处分为两种类型：General 和 Role-play
• 数据按格式分为两种类型：QA 和 Conversation
• 数据汇总：General（6个数据集）；Role-play（5个数据集）

数据集类型

• General：通用数据集，包含心理学知识、心理咨询技术等通用内容
• Role-play：角色扮演数据集，包含特定角色对话风格数据等内容

数据类型

• QA：问答对
• Conversation：多轮对话

数据集汇总

Category	Dataset	Type	Total
General	data	Conversation	5600+
General	data_pro	Conversation	36,500+
General	multi_turn_dataset_1	Conversation	36,000+
General	multi_turn_dataset_2	Conversation	27,000+
General	single_turn_dataset_1	QA	14,000+
General	single_turn_dataset_2	QA	18,300+
General	self_cognition_EmoLLM	QA	85+
General	ruozhiba_raw	QA	240+
Role-play	aiwei	Conversation	4000+
Role-play	SoulStar	QA	11,200+
Role-play	tiangou	Conversation	3900+
Role-play	mother	Conversation	40,300+
Role-play	scientist	Conversation	28,400+
……	……	……	……

数据集来源

General

• 数据集 data 来自本项目
• 数据集 data_pro 来自本项目
• 数据集 multi_turn_dataset_1 来源 Smile
• 数据集 multi_turn_dataset_2 来源 CPsyCounD
• 数据集 single_turn_dataset_1 来自本项目
• 数据集 single_turn_dataset_2 来自本项目
• 数据集 self_cognition_EmoLLM 来自本项目
• 数据集 ruozhiba_raw 来源COIG-CQIA

Role-play

• 数据集 aiwei 来自本项目
• 数据集 tiangou 来自本项目
• 数据集 SoulStar 来源 SoulStar
• 数据集 mother 来自本项目
• 数据集 scientist 来自本项目

数据集去重

结合绝对匹配以及模糊匹配(Simhash)算法，对数据集进行去重以提升微调模型的效果。在确保数据集的高质量的同时，通过调整阈值减少因错误匹配而丢失重要数据的风险。

Simhash算法介绍

Simhash（相似性哈希）是一种用于检测大量数据中相似或重复项的算法。它通过将文本转换为一组数值指纹来工作，这些指纹对相似的文本具有高度的相似性。Simhash算法对于处理文本数据特别有效，尤其是在处理大量数据时。详细介绍可见 Simhash.

Simhash实现步骤

• 文本预处理：将文本数据转换为适合Simhash处理的格式。这可能包括分词、去除停用词、词干提取等。
• 生成Simhash指纹：对预处理后的文本应用Simhash算法，生成一组数值指纹。每个指纹代表文本内容的一个哈希值。
• 比较指纹：通过比较哈希值的相似性来识别重复或相似的记录。Simhash的特点是即使在文本有少量差异时，生成的哈希值也具有较高的相似性。
• 确定阈值：设置一个相似性阈值，只有当两个指纹的相似度超过这个阈值时，才认为它们代表相似或重复的记录。
• 处理相似记录：对于被标记为相似的记录，可以进一步人工审查或自动合并，以消除重复。

deduplicate.py用法

deduplicate.py 用于将datasets中以模型命名的(例如：'datasets/qwen').json数据进行去重，输出去重后的数据到 datasets/qwen/dedup 文件夹下。代码见 datasets/processed 文件夹。