CRD3 wurde von Microsoft Research im Jahr 2020 veröffentlicht und ist ein Datensatz für Dialogmodellierung und Zusammenfassungsgenerierung. Er zielt darauf ab, linguistisch einzigartige, nicht skriptbasierte Rollenspiel-Dialogdaten bereitzustellen, um Herausforderungen in Semantik, Pragmatik, Inhaltsauswahl und Umschreibung bei der Erzählung langer Geschichten zu untersuchen.

Der Datensatz enthält transkribierte Dialoge aus 159 Folgen der Critical Role-Show mit insgesamt 398.682 Dialogrunden sowie die dazugehörigen Zusammenfassungen, die von der Fandom-Wiki gesammelt wurden. Der Datenumfang liegt zwischen 10 K und 100 K, und die Gesamtdatengröße beträgt etwa 318 MB.

Zusammensetzung des Datensatzes

Der Datensatz besteht aus drei Hauptteilen: Trainingssatz (train), Validierungssatz (validation) und Testsatz (test). Die spezifischen Stichprobenzahlen sind wie folgt: Der Trainingssatz enthält 38.969 Stichproben, der Validierungssatz 6.327 Stichproben und der Testsatz 7.500 Stichproben.

Jede Datenstichprobe enthält die folgenden Felder:

• chunk: Zeichenkettentyp, enthält den Text des Dialogabschnitts.
• chunk_id: Ganzzahltyp, Abschnitts-ID.
• turn_start: Ganzzahltyp, Startindex der Dialogrunde.
• turn_end: Ganzzahltyp, Endindex der Dialogrunde.
• alignment_score: Gleitkommatyp, Ausrichtungswert.
• turns: Wörterbuchtyp, enthält detaillierte Informationen zum Dialog:
• names: Liste von Zeichenketten, Namen der Sprecher.
• utterances: Liste von Zeichenketten, entsprechender Dialoginhalt.
• number: Ganzzahltyp, Rundennummer.

Zitat```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} }