CRD3 هو مجموعة بيانات أصدرتها Microsoft Research في عام 2020 لتمثيل نمذجة الحوار وتوليد الملخصات، وتهدف إلى توفير بيانات حوار ألعاب تمثيل الأدوار غير المكتوبة والمتميزة لغويًا، لاستكشاف التحديات في الدلالات والبراغماتية واختيار المحتوى وإعادة الصياغة في سرد القصص الطويلة.

تتضمن هذه المجموعة نصوص حوار من 159 حلقة من برنامج Critical Role، بإجمالي 398,682 جولة حوار، مع ملخصات مقابلة تم جمعها من Fandom wiki، ويتراوح حجم البيانات بين 10K و100K، ويبلغ إجمالي حجم البيانات حوالي 318 ميغابايت.

مكونات مجموعة البيانات

تتضمن مجموعة البيانات ثلاثة أجزاء رئيسية: مجموعة التدريب (train)، ومجموعة التحقق (validation)، ومجموعة الاختبار (test). أحجام العينات المحددة هي كما يلي: تحتوي مجموعة التدريب على 38,969 عينة، ومجموعة التحقق على 6,327 عينة، ومجموعة الاختبار على 7,500 عينة.

يتضمن كل عينة بيانات الحقول التالية:

• chunk: نوع سلسلة نصية، يحتوي على نص مقطع الحوار.
• chunk_id: نوع عدد صحيح، معرف المقطع.
• turn_start: نوع عدد صحيح، فهرس بداية جولة الحوار.
• turn_end: نوع عدد صحيح، فهرس نهاية جولة الحوار.
• alignment_score: نوع رقم عشري، درجة المحاذاة.
• turns: نوع قاموس، يحتوي على معلومات تفصيلية للحوار:
• names: قائمة سلاسل نصية، أسماء المتحدثين.
• utterances: قائمة سلاسل نصية، محتوى الحوار المقابل.
• number: نوع عدد صحيح، رقم الجولة.

Citation

@inproceedings{
title = {Storytelling with Dialogue: A Critical Role Dungeons and Dragons Dataset},
author = {Rameshkumar, Revanth  and Bailey, Peter},
year = {2020},
publisher = {Association for Computational Linguistics},
conference = {ACL}
}