CRD3는 Microsoft Research가 2020년에 발표한 대화 모델링 및 요약 생성을 위한 데이터셋으로, 언어학적으로 독특한 비대본 롤플레잉 게임 대화 데이터를 제공하여 긴 텍스트 스토리텔링에서 의미론, 화용론, 내용 선택 및 재작성과 같은 과제를 탐구하는 것을 목표로 합니다.

이 데이터셋은 Critical Role 프로그램 159개 에피소드의 전사 텍스트 대화를 포함하며, 총 398,682개의 대화 턴으로 구성되어 있고, Fandom wiki에서 수집한 해당 요약이 함께 제공됩니다. 데이터 규모는 10K에서 100K 사이이며, 총 데이터 크기는 약 318MB입니다.

데이터셋 구성

데이터셋은 훈련 세트(train), 검증 세트(validation), 테스트 세트(test)의 세 가지 주요 부분으로 구성됩니다. 구체적인 샘플 수는 다음과 같습니다: 훈련 세트는 38,969개 샘플, 검증 세트는 6,327개 샘플, 테스트 세트는 7,500개 샘플을 포함합니다.

각 데이터 샘플에는 다음 필드가 포함됩니다:

• chunk: 문자열 유형, 대화 조각 텍스트를 포함합니다.
• chunk_id: 정수 유형, 조각 ID.
• turn_start: 정수 유형, 대화 턴 시작 인덱스.
• turn_end: 정수 유형, 대화 턴 종료 인덱스.
• alignment_score: 부동 소수점 유형, 정렬 점수.
• turns: 사전 유형, 대화의 세부 정보를 포함합니다:
• names: 문자열 목록, 화자 이름.
• utterances: 문자열 목록, 해당 대화 내용.
• number: 정수 유형, 턴 번호.

Citation

@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}
}