Dataset Card for belle-multiround

本資料集為以 BELLE 系列指令資料為基礎，整理／轉寫之多輪對話（multi-round） 繁體中文版本，可作為繁中對話模型在多輪互動上的補強資料。

Dataset Details

Dataset Description

BELLE 是早期具規模的中文指令資料集系列。其原始版本以簡體中文為主、且多為單輪指令對話。本資料集做了兩件事：

1. 多輪化：以 BELLE 的單輪指令為起點，請 LLM 生成自然延伸的後續輪次（追問、澄清、延伸要求），形成 multi-round 結構。
2. 繁中化：將內容轉寫為繁體中文，並調整在地用語。

可用於補強模型在多輪對話中的脈絡保持能力。

• Curated by: Huang Liang Hsun
• Language(s) (NLP): Traditional Chinese
• License: cc-by-nc-sa-4.0

Dataset Sources

• Repository: lianghsun/belle-multiround
• Original BELLE: LianjiaTech/BELLE
• Paper: TBA

Uses

Direct Use

• 補強繁中對話模型在多輪互動上的脈絡保持能力。
• 與其他指令對話資料集（如 tw-instruct-500k）混訓使用。

Out-of-Scope Use

• 不適用作為臺灣特定情境之知識來源；原始 BELLE 並非以臺灣為背景設計。

Dataset Structure

{
  "conversations": [
    {"from": "human", "value": "寫一篇有關「掌聲響起時」的散文。"},
    {"from": "gpt", "value": "..."},
    {"from": "human", "value": "可以再幫我把開頭改得更具畫面感嗎？"},
    {"from": "gpt", "value": "..."}
  ]
}

Dataset Creation

Curation Rationale

單輪指令資料常使模型在多輪互動中失去上下文。本資料集以 BELLE 的高覆蓋指令為起點，補上自然的延伸對話，協助模型在多輪情境下穩定回應。

Source Data

Data Collection and Processing

1. 取得 BELLE 系列指令資料。
2. 以 LLM 為每筆指令生成 1–N 輪自然延伸對話。
3. 將內容轉寫為繁體中文，調整在地用語。

Who are the source data producers?

• 原始指令由 BELLE 團隊（LianjiaTech）整理。
• 多輪延伸與繁中化由 LLM 自動完成。

Annotations

Annotation process

無人工標註；多輪延伸由 LLM 生成。

Who are the annotators?

無人工標註者。

Personal and Sensitive Information

資料為合成對話，不含個人識別資料。

Bias, Risks, and Limitations

• 內容主題以原始 BELLE 為基礎，可能仍偏向中國大陸語境的場景。
• 多輪延伸由 LLM 生成，部分樣本可能在第二輪後出現重複或離題。

Recommendations

建議與臺灣本土語境之對話資料集混訓，以平衡語境差異。

Citation

@misc{belle_multiround,
  title        = {belle-multiround: Multi-round Conversational Variant of BELLE in Traditional Chinese},
  author       = {Huang, Liang Hsun},
  year         = {2024},
  howpublished = {\url{https://huggingface.co/datasets/lianghsun/belle-multiround}},
  note         = {Derived from LianjiaTech/BELLE.}
}

Dataset Card Authors

Huang Liang Hsun

Dataset Card Contact

Huang Liang Hsun