تم إصدار مجموعة البيانات CRD3 بواسطة مختبرات مايكروسوفت للأبحاث في عام 2020، وهي موجهة نحو نمذجة الحوار وتوليد الملخصات. تهدف إلى توفير بيانات حوارية مستمدة من ألعاب لعب الأدوار غير المخططة وذات خصائص لغوية فريدة، وذلك لاستكشاف التحديات المتعلقة بالدلالة، والاستعمال اللغوي، واختيار المحتوى وإعادة الصياغة ضمن سرد القصص ذات النصوص الطويلة.

تحتوي هذه المجموعة على نصوص محولة من الكلام إلى نص لحوارات مأخوذة من حلقات برنامج "Critical Role"، وعددها 159 حلقةً، بإجمالي قدره 398,682 جولة حوارية. كما تتضمن ملخصات مقابلة تم جمعها من ويكي Fandom، حيث تتراوح أحجام البيانات بين 10 آلاف و100 ألف عنصر، ويبلغ الحجم الإجمالي للبيانات حوالي 318 ميغا بايت.

تكوين مجموعة البيانات

تتألف مجموعة البيانات من ثلاثة أجزاء رئيسية: مجموعة التدريب (train)، ومجموعة التحقق (validation)، ومجموعة الاختبار (test). وفيما يلي الأعداد التفصيلية للعينات: تحتوي مجموعة التدريب على 38,969 عينة، بينما تضم مجموعة التحقق 6,327 عينة، وتشمل مجموعة الاختبار 7,500 عينة.

يحتوي كل نموذج بيانات على الحقول التالية:

• chunk: نوع السلسلة النصية، يحتوي على مقطع نصي من الحوار.
• chunk_id: عدد صحيح، يمثل معرف المقطع.
• turn_start: عدد صحيح، يمثل فهرس بداية الجولة الحوارية.
• turn_end: عدد صحيح، يمثل فهرج نهاية الجولة الحوارية.
• alignment_score: رقم عشري (فاصلة عائمة)، يمثل درجة المحاذاة.
• turns: نوع القاموس، الذي يتضمن تفاصيل الحوار:
  • names: قائمة سلاسل نصية بأسماء المتحدثين.
  • utterances: قائمة سلاسل نصية بمحتوى الحوار المقابل.
  • number: عدد صحيح، يرمز لترتيب الجولات الحوارية.

الاستشهاد المرجعي```bibtex

@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} }