Datasets:

Algocean
/

algocean-affect-router

license: apache-2.0
language:
  - ko
  - en
task_categories:
  - text-generation
  - text-classification
tags:
  - lora
  - sft
  - routing
  - affect
  - empathy
  - korean
size_categories:
  - 10K<n<100K
pretty_name: algocean-affect-router

algocean-affect-router

사용자 발화를 받아 지금 공감이 필요한지, 해결·정보가 필요한지 판정하도록 가르치는 LoRA SFT 데이터셋입니다.

사용자의 성격이 아니라 이 프롬프트가 지금 요구하는 응답 방식을 가르칩니다.

규모

파일	행 수
`affect_router.jsonl`	41,042
`affect_router.eval.jsonl`	2,000

형식: JSONL, messages 3턴
언어: 한국어 약 70% · 영어 약 30%
최소쌍(pair_id) 포함 — train/eval 분할 시 쌍 단위로 나눌 것

어디에 쓰나요

챗봇 응답 전 공감(F) vs 해결(T) 라우팅
같은 주제라도 어투에 따라 답이 달라져야 하는 경우
경량 모델로 톤 분기만 맡길 때

어떤 모델에 LoRA 하나요

출력이 짧고 클래스가 적어 가장 가벼운 노드입니다.

베이스: 1B ~ 3B 인스트럭트 모델 권장
rank 8, alpha 16, lr 2e-4, epochs 3
loss: assistant 턴만

사용

from datasets import load_dataset

ds = load_dataset("Algocean/algocean-affect-router", data_files="affect_router.jsonl", split="train")
ev = load_dataset("Algocean/algocean-affect-router", data_files="affect_router.eval.jsonl", split="train")

학습: messages 만
pair_id 등 메타는 분할·분석용 — 학습에 넣지 마세요

assistant 출력 (요약)

{
  "route": 1,
  "f_score": 0.82,
  "reason": "..."
}

필드	뜻
`route`	1 = 공감 우선 · 0 = 해결 우선
`f_score`	0~1, 클수록 공감 쪽 (`route`는 0.5 기준)
`reason`	한 줄 근거

호출부는 route만 써도 됩니다.

식별자·문서 id는 중립 코드(mNN, doc-NNNN, Brand-* 등)로 정규화되어 있다. 학습에는 messages만 쓴다.

라이선스

Apache-2.0