llm-japanese-dataset

LLM構築用の日本語チャットデータセット

DatasetはHugging Faceでも公開しています．

• https://huggingface.co/datasets/izumi-lab/llm-japanese-dataset
• 翻訳を抜いたバージョン(vanilla): https://huggingface.co/datasets/izumi-lab/llm-japanese-dataset-vanilla

主に，英語で構築されたLLMモデルなどに対して，チャット(Instruction)応答タスクに関してLoRAなどでチューニングするために使用できます．

データの詳細

データの詳細は，以下の論文を参照してください．

• 日本語: https://jxiv.jst.go.jp/index.php/jxiv/preprint/view/383
• 英語: https://arxiv.org/abs/2305.12720
• GitHub: https://github.com/masanorihirano/llm-japanese-dataset
• 最新情報: llm.msuzuki.me.

なお，Citationには，よろしければ，以下をご利用ください．

@preprint{Hirano2023-llmj,
  title={{llm-japanese-dataset v0: Construction of Japanese Chat Dataset for Large Language Models and its Methodology}},
  autor={Masanori HIRANO and Masahiro SUZUKI and Hiroki SAKAJI},
  doi={10.48550/arXiv.2305.12720},
  archivePrefix={arXiv},
  arxivId={2305.12720},
  year={2023}
}

問い合わせ等

• データセットの追加申し出
• 公開できないものの，CC-BY-SAで公開するモデルへのデータ組み込むが可能なデータの提供申し出

などを歓迎します．もし，ご相談等がございましたら，下記メールアドレスまでお知らせください．

izumi-llm@socsim.org

フォルダー構成に関して

datasetsフォルダー内に，データの生成形式ごとにフォルダーを作成します．

各フォルダー内には，以下を含める必要があります．

• data/000000.json: json形式のデータ．複数入れることができます．6桁の数字で，0から順に番号を振りますが，欠番は許容されます．この内容の詳細については下記で述べます
• README.md: データの説明書です．作成方法や，ライセンスなどを記載してください．

それ以外については制約がありません．

データ形式について

json形式のデータ

• jsonl形式ではなく，json形式とします．
• 1ファイルのデータはおおよそ1Kを目安とします．1Kを超えるデータは，ナンバリングをして複数のJSONに分けることを推奨します．
• jsonファイル内には，配列でDict形式で記載します．
  • 必須フィールド
    • "instruction"
    • "input"
    • "output"
  • 推奨フィールド
    • "index": データセット内でのナンバリングを0から行います．なお，string形式にしてください．(e.g. "1")
  • 準推奨フィールド
    • "category": データセット内でも，カテゴリー分けしていると後で便利な場合があります．
• 追加フィールドも許可します．

README.mdのテンプレート

# {データセット名}
## 作成方法
{ここに作成方法を記述．どこかから取得したのであればその旨記載}

## ライセンス
{ここにライセンスを記載．あればURLを追加．}

組み込み可能なライセンスについて

原則として，再頒布可能なもののみを含むようにしてください． そうでないものについては，組み込む前に要相談．

ただし，コピーレフトについては，許容しません．(作成したモデル自体もライセンス制約がついてしまうので) また，商用不可も原則として不可

datasets に組み込み可能なライセンス

• MIT License
• BSD License (2-Cluse, 3-Cluse)
• Apache License Version 2.0
• CC-BY
• Unlicense
• スクレイピングにより取得したデータを加工したもの

datasets-cc-by-sa に組み込み可能なライセンス

• CC-BY-SA

組み込むか要検討なライセンス

• 4-Clause BSD License (一般的でないため)

組み込み不可能なライセンス

• GNU GPL v2
• GNU GPL v3
• CC=BY-ND (改変不可なので含まないほうがよい)
• CC-BY-NC (商用不可)
• CC-BY-NC-SA (商用不可)
• CC-BY-NC-ND (商用不可)