Le jeu de données CRD3 est un ensemble publié par Microsoft Research en 2020, conçu pour la modélisation des conversations et la génération de résumés. Il vise à fournir des données linguistiquement uniques issues de dialogues non scriptés dans le cadre de jeux de rôle, afin d’explorer les défis liés au récit long, tels que la sémantique, la pragmatique, la sélection du contenu et la réécriture.

Ce jeu de données comprend des transcriptions de dialogues provenant de 159 épisodes de l’émission Critical Role, totalisant 398 682 tours de parole. Des résumés correspondants ont été collectés depuis le wiki Fandom. La taille des échantillons varie entre 10 K et 100 K, avec une taille totale d’environ 318 Mo.

Composition du jeu de données

Le jeu de données se compose de trois parties principales : l’ensemble d’apprentissage (train), l’ensemble de validation (validation) et l’ensemble de test (test). Les effectifs spécifiques sont les suivants : l’ensemble d’apprentissage contient 38 969 exemples, l’ensemble de validation en compte 6 327, et l’ensemble de test en comporte 7 500.

Chaque exemple de donnée inclut les champs suivants :

• chunk : type chaîne, contenant le texte fragmenté du dialogue.
• chunk_id : type entier, identifiant du fragment.
• turn_start : type entier, index de début du tour de parole.
• turn_end : type entier, index de fin du tour de parole.
• alignment_score : type nombre flottant, score d’alignement.
• turns : type dictionnaire, contenant les détails détaillés du dialogue :
  • names : liste de chaînes, noms des locuteurs.
  • utterances : liste de chaînes, contenus respectifs des dialogues.
  • number : type entier, numéro du tour de parole.

Référence bibliographique

@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}
}