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目的としたデータセットであり、言語学的にユニークな非スクリプト型ロールプレイングゲームの対話データを提供し、長文ストーリーテリングにおける意味論、語用論、内容選択、リライトといった課題を探求することを目的としています。

このデータセットには、Critical Role の159エピソードからの文字起こしテキスト対話が含まれており、合計398,682の対話ターンと、Fandom wiki から収集された対応する要約が付属しています。データ規模は10 K から100 K の間で、総データサイズは約318 MB です。

データセットの構成

データセットは、トレーニングセット（train）、検証セット（validation）、テストセット（test）の3つの主要な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、検証セットには6,327サンプル、テストセットには7,500サンプルが含まれています。

各データサンプルには以下のフィールドが含まれます：

• chunk：文字列型で、対話フラグメントテキストを含みます。
• chunk_id：整数型で、フラグメントIDです。
• turn_start：整数型で、対話ターンの開始インデックスです。
• turn_end：整数型で、対話ターンの終了インデックスです。
• alignment_score：浮動小数点型で、アライメントスコアです。
• turns：辞書型で、対話の詳細情報を含みます：
• names：文字列リストで、話者名です。
• utterances：文字列リストで、対応する対話内容です。
• number：整数型で、ターン番号です。

引用

@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}
}