CRD3 ist ein von der Microsoft Research im Jahr 2020 veröffentlichtes Dataset für Dialogmodellierung und Zusammenfassungsgenerierung. Es zielt darauf ab, linguistisch einzigartige, nicht-skriptbasierte Rollenspielspiel-Daten bereitzustellen, um Herausforderungen wie Semantik, Pragmatik, Inhaltsauswahl und Umformulierung bei der langfristigen Geschichtenerzählung zu erforschen.

Das Dataset enthält transkribierte Dialogtexte aus 159 Episoden der Serie „Critical Role“, insgesamt 398.682 Dialogrunden sowie zugehörige Zusammenfassungen, die vom Fandom-Wiki gesammelt wurden. Die Datenmenge liegt zwischen 10K und 100K Einheiten, mit einer Gesamtgröße von etwa 318 MB.

Zusammensetzung des Datasets

Das Dataset besteht aus drei Hauptteilen: Trainingsset (train), Validierungsset (validation) und Testsatz (test). Die konkreten Stichprobenumfänge sind wie folgt: Das Trainingsset umfasst 38.969 Beispiele, das Validierungsset 6.327 Beispiele und der Testsatz 7.500 Beispiele.

Jedes Datenbeispiel enthält folgende Felder:

• Chunk: Vom Typ String, enthält den Textabschnitt des Dialogs.
• chunk_id: Vom Typ Integer, die ID des Abschnitts.
• turn_start: Vom Typ Integer, Startindex der Dialogrunde.
• turn_end: Vom Typ Integer, Endindex der Dialogrunde.
• Alignment Score: Vom Typ Float, Ausrichtungswert.
• Turns: Vom Typ Dictionary, enthält detaillierte Informationen zum Dialog:
• Namen: Liste von Strings, Namen der Sprecher.
• Äußerungen: Liste von Strings, entsprechende Dialoginhalte.
• Nummer: Vom Typ Integer, Rundennummer.

Zitation

@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}
}