清华大学 发布 SynBio Dataset 数据集, 应用在 自然语言处理、知识获取 领域

清华大学 本次发布的数据集 SynBio Dataset, SynBio数据集是一个合成的人物传记数据集，用于研究大型语言模型在混合数据集上的知识获取。数据集由多个属性组成，如出生日期、出生城市、大学、专业和雇主，每个属性值都是从预定义的域中随机独立采样的。通过将属性值嵌入到自然文本描述中，生成包含人物信息的句子。数据集的大小和具体条数在论文中未提及。该数据集被用于与大规模网络语料库混合，以研究模型大小和混合比例对知识获取的影响。数据集的创建过程是通过合成生成的方法，将属性值转换为自然文本描述。数据集的应用领域是大型语言模型的知识获取研究，旨在解决模型在混合数据集上如何有效获取知识的问题。

查看SynBio Dataset

关于 清华大学 , 清华大学是中国著名的高等学府，位于北京，具有很高的学术声誉和国际影响力，其交叉信息研究院专注于信息科学的研究与教育。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。