CRD3 est un ensemble de données publié par Microsoft Research en 2020, destiné à la modélisation de dialogues et à la génération de résumés. Il vise à fournir des données de dialogues de jeux de rôle non scénarisés, linguistiquement uniques, pour explorer les défis de la sémantique, de la pragmatique, de la sélection de contenu et de la réécriture dans la narration de longues histoires.

Cet ensemble de données contient des transcriptions de dialogues provenant de 159 épisodes de l'émission Critical Role, totalisant 398 682 tours de dialogue, accompagnées des résumés correspondants collectés sur le wiki Fandom. L'échelle des données se situe entre 10 K et 100 K, avec une taille totale d'environ 318 Mo.

Composition de l'ensemble de données

L'ensemble de données comprend trois parties principales : l'ensemble d'entraînement (train), l'ensemble de validation (validation) et l'ensemble de test (test). Les tailles d'échantillons spécifiques sont les suivantes : l'ensemble d'entraînement contient 38 969 échantillons, l'ensemble de validation en contient 6 327, et l'ensemble de test en contient 7 500.

Chaque échantillon de données comprend les champs suivants :

• chunk : type chaîne de caractères, contenant le texte du segment de dialogue.
• chunk_id : type entier, identifiant du segment.
• turn_start : type entier, index de début du tour de dialogue.
• turn_end : type entier, index de fin du tour de dialogue.
• alignment_score : type flottant, score d'alignement.
• turns : type dictionnaire, contenant les informations détaillées du dialogue :
• names : liste de chaînes de caractères, noms des locuteurs.
• utterances : liste de chaînes de caractères, contenu des dialogues correspondants.
• number : type entier, numéro du tour.

Citation```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} }