StackSample
StackSample es un subconjunto de Stack Overflow que contiene el 10% de sus preguntas y respuestas. Se trata de un corpus textual estructurado en tres tablas (preguntas, respuestas, etiquetas) que te permite trabajar en tareas como la generación automática de etiquetas, la predicción de votos o el análisis semántico del texto de las preguntas técnicas.
Aproximadamente 468,000 filas en formato CSV distribuidas en 3 tablas (preguntas, respuestas, etiquetas)
CC-BY-SA 3.0
Descripción
StackSample es un corpus textual extraído de Stack Overflow, que incluye aproximadamente el 10% de las preguntas y respuestas. Incluye los títulos, el contenido, las partituras, las puntuaciones, las fechas y las etiquetas de las publicaciones. Organizado en tres tablas CSV (preguntas, respuestas y etiquetas), este conjunto de datos proporciona una base excelente para los proyectos de PNL en relación con las comunidades técnicas y el lenguaje natural en un contexto de preguntas y respuestas.
¿Para qué sirve este conjunto de datos?
- Modelos de entrenamiento para la generación o recomendación automática de etiquetas
- Predice el éxito (votaciones, cierres) de las preguntas en función de su texto
- Analice la evolución de las tecnologías a través de las tendencias de Stack Overflow
¿Se puede enriquecer o mejorar?
Sí, StackSample se puede combinar con otros conjuntos de datos de Stack Overflow (por ejemplo, Python o R) para realizar análisis específicos por idioma. También podemos enriquecer los ejemplos con incrustaciones, resúmenes o clasificarlos por campo tecnológico. También es posible explorar más a fondo el comportamiento de los usuarios a través de OwnerID.
🔎 En resumen
🧠 Recomendado para
- Proyectos de PNL
- Motores de recomendación
- Análisis de la comunidad técnica
🔧 Herramientas compatibles
- Pandas
- Hugging Face
- SpaCy
- Scikit-learn
- TensorFlow
- PyTorch
💡 Consejo
Para obtener modelos robustos, combine los campos «Título» y «Cuerpo» y utilice las etiquetas como objetivos de varias clases.
Preguntas frecuentes
¿Este conjunto de datos solo contiene preguntas de Python?
No, StackSample cubre una amplia gama de idiomas y temas técnicos de Stack Overflow.
¿Se puede usar este conjunto de datos para entrenar un modelo de clasificación de etiquetas?
Sí, el conjunto de datos es ideal para la clasificación de varias categorías según el texto de la pregunta.
¿El conjunto de datos incluye las respuestas aceptadas?
Sí, se incluyen las respuestas, junto con las puntuaciones, pero no hay un indicador directo de las respuestas aceptadas.
