CRD3 は、Microsoft Research が 2020年に公開した対話モデリングと要約生成を対象としたデータセットです。このデータセットは、長文の物語叙述における意味論、語用論、コンテンツ選択および書き換えなどの課題を探求するために設計されており、言語学的にユニークなスクリプトなしロールプレイングゲームの対話データを供給することを目的としています。

本データセットには、『Critical Role』番組の全エピソードから収集された転記テキストによる対話が 159 エピソード分含まれており、合計で 398,682 のターンがあります。また、Fandom Wiki から収集された対応する要約も付随しており、データの規模は 10K から 100K の間で、総データサイズは約 318MB です。

データセット構成

データセットは主にトレーニングセット（train）、バリデーションセット（validation）、テストセット（test）の 3 つの部分で構成されています。具体的なサンプル数は以下の通りです：トレーニングセットには 38,969 サンプルが含まれ、バリデーションセットには 6,327 サンプル、テストセットには 7,500 サンプルが含まれます。

各データサンプルには次のフィールドが含まれています：

• chunk：文字列型であり、対話フラグメントのテキストを含みます。
• chunk_id：整数型であり、フラグメントIDを示します。
• turn_start：整数型であり、対話ターンの開始インデックスを表します。
• turn_end：整数型であり、対話ターの終了インデックスを示します。
• alignment_score：浮動小数点型であり、アライメントスコアを格納しています。
• turns：辞書型であり、対話の詳細情報を含む：
• names：文字列リストであり、発話者の名前が記録されます。
• utterances：文字列リストであり、それに対応する会話の内容が含まれる。
• number：整数型であり、ターン番号を示すものです。

引用文献

@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}
}