【免费下载链接】HundredCV-Chat项目地址https://ai.gitcode.com/hf_mirrors/Jax-dan/HundredCV-Chat点击查看免费下载HundredCV-Chat 是一个由 100 位青年简历数据开发而来的中文多轮对话数据集共包含 24,750 组日常闲聊对话和 4,871 个话题标签全部由 DeepSeek-V3 自动生成无一人工标注。它天生适合话题建模、主题分析与对话模型训练是本篇实战教程的主角。为什么选择 HundredCV-Chat 做话题建模 做主题分析系统最难的不是算法而是带话题标注的数据。HundredCV-Chat 恰好解决了这个问题✅每组对话都有话题标签topic字段直接标注对话主题省去人工标注✅话题覆盖广校园生活、工作经验、兴趣爱好、生活琐事等贴近真实生活✅对话质量高由 DeepSeek-V3 生成流畅度和拟人性显著优于同类开源数据集✅人物角色真实100 位说话人来自简历数据集 HundredCVs可用于角色扮演核心数据一览指标数值对话样本数24,750 组话题标签总数4,871 个说话人数量100 位平均对话轮数15.66 轮总回合数387,6574,871 个话题标签是怎么来的 数据集的构建过程完全自动化分三步完成详细流程见 README.md场景生成从 100 位人物中两两配对得到 C(100,2) 4,950 组对话场景话题生成让 DeepSeek-V3 根据双方简历与个人经历为每个场景生成至少 5 个话题对话生成针对每个话题生成多轮对话最终得到 4,950 × 5 24,750 组对话 由于话题由模型自由生成且限制在 10 字以内4,871 个标签之间既有重叠又各有侧重天然适合作为主题聚类和话题分类的训练语料。生成逻辑的核心代码可参考 README.md 中的data_generate函数实现。数据结构读懂 4 个关键字段 完整数据存放在 synthesized_.jsonl 文件中每行一条 JSON 记录由四个字段构成字段说明见 README.md字段含义示例topic对话话题标签校园生活分享user1第一个说话人李欣怡user2第二个说话人杨欢dialog对话内容列表多轮对话字符串一个典型的对话样例如下完整样例见 README.md{ topic: 校园生活分享, user1: 李欣怡, user2: 杨欢, dialog: [ user1杨欢最近校园里有什么新鲜事吗, user2嗨李欣怡我们学校刚刚举办了一次科技节…… ] }实战构建主题分析系统 ️第一步加载数据并统计话题分布用三行代码就能得到话题频次统计快速了解数据集的话题结构import json from collections import Counter topics Counter() with open(synthesized_.jsonl) as f: for line in f: topics[json.loads(line)[topic]] 1 print(topics.most_common(10)) # 查看最高频的话题标签 4,871 个话题标签平均只覆盖 24,750 组对话意味着多数标签出现频次较低——这正是做话题合并与层次聚类的空间。第二步提取话题关键词构建主题词表对每个topic标签做分词、去重、词频统计即可得到主题词表。由于话题标签不超过 10 个字建议同时保留原始标签和分词后关键词两级粒度粗粒度直接以topic原文做主题分类4,871 类细粒度分词后统计词频用 TF-IDF 或词嵌入做主题聚类第三步训练话题分类器利用topic字段作为监督标签可以直接训练分类模型以dialog文本为输入、topic为标签训练多分类模型主题模型用无监督方法如 LDA、BERTopic验证数据集的主题分布是否与标签一致检索系统建立话题标签索引实现按主题查找对话的检索功能第四步评估与扩展按话题分层抽样做训练/测试集划分避免话题分布偏差对比不同话题下的平均对话轮数数据集整体平均 15.66 轮分析话题与对话深度的关系结合user1、user2字段进一步做人物 × 话题的二维画像分析横向对比HundredCV-Chat 的优势有多大 官方统计来源README.md显示HundredCV-Chat 在规模和话题标注上领先明显数据集样本数平均对话长度平均对话轮数总话题数总回合数人物数HundredCV-Chat24,750496.2815.664,871387,657100NaturalConv19,919216.639.44--188,068--DuLeMon23,000145.578.60--197,904--三个亮点值得注意平均对话长度是对手的 2~3 倍496 vs 217 / 146 字符唯一提供完整话题标签的中文多轮对话数据集说话人可追溯其余数据集均采用匿名方式更多应用场景 除了话题建模HundredCV-Chat 还可用于详见 README.md对话系统训练和测试多轮对话模型角色扮演配合 HundredCVs 简历数据构建基于简历的角色扮演对话系统条件对话生成将话题 简历信息作为条件训练按条件生成对话的模型快速上手获取数据集 git clone https://gitcode.com/hf_mirrors/Jax-dan/HundredCV-Chat克隆后核心文件数据文件synthesized_.jsonl约 36MBJSONL 格式项目文档README.md封面图cover.jpg如果本数据集对你的研究有帮助请按 README.md 中的 BibTeX 格式引用。总结 HundredCV-Chat 用自动化标注 真实人物角色的组合为话题建模提供了一个开箱即用的中文语料4,871 个话题标签、24,750 组高质量多轮对话、100 位可追溯的说话人。按照加载统计 → 词表构建 → 分类器训练 → 评估扩展四步走你完全可以基于它搭建一个完整的主题分析系统。对于新手来说这也是理解带标注对话数据如何使用的最佳练习场。赞分享【免费下载链接】HundredCV-Chat项目地址https://ai.gitcode.com/hf_mirrors/Jax-dan/HundredCV-Chat点击查看免费下载相关推荐Text Generation WebUI 本地部署完整指南一条脚本装好本地 LLM 开箱即用Text Generation WebUI 本地部署完整指南一条脚本装好本地 LLM 开箱即用 装本地 LLM 最头疼的是依赖装不全、环境变量报错、CUD人工智能大模型本地部署模型推理服务AI 应用桌面应用工具调用用HundredCV-Chat打造角色扮演对话系统与HundredCVs配合的完整实战教程用HundredCV Chat打造角色扮演对话系统与HundredCVs配合的完整实战教程 HundredCV Chat 是一个基于百人简历数据集 Hundr用 PocketFlow 为聊天机器人构建话题级 GuardrailTravel Advisor Chat 实战解析用 PocketFlow 为聊天机器人构建话题级 GuardrailTravel Advisor Chat 实战解析 导读 本文将围绕 PocketFlow人工智能AI AgentAgent 框架创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考