Request for instruction finetuning datasets

[Wilboludriver]

作者您好，

祝贺你们的工作被Findings of ACL 2024接受!

这篇工作的数据集准备部分给了我很大启发，我在自己合成instruction ft datasets的时候发现有部分步骤不太完整：

1. 在2.1 Graph Caption Generation 部分的 group (1) Wikipedia + Wikidata5M 中，我加载的是了wiki5m官网发布的corpus，该文件的数据数量比jupyter notebook上的记录要少1/5，导致在构造子图和三元组的部分跑不出来，而完整的wikipedia最新corpus数据量过大不便操作。请问能否开源你们使用的Wikipedia corpus呢？
2. 在2.2 Graph Question Answering的FreeBase预加载中，我没有在freebase下载网页上找到你们使用的“rel2id.pickle","entity_name.pickle","ent2id.pickle"。 请问方便开源或者告知获取方法吗。
3. 在 3.1 Knowledge Graph Generation的InstructIE部分，请问train.json 需要额外处理吗，我直接load后发现没有“input”这个key，导致text = example["input"]报错。
4. 请问您方便开源用gpt合成的第四部分graph thought modelin的数据集吗？

非常感谢你们的贡献，祝学术工作顺利~

Wilbolu

[wjn1996]

感谢。

1. wikipedia的数据量很大，建议采用提供的链接的数据。本人获取wikipedia和wikidata5M按照如下流程：

   Wikipedia Dumps：
   - 统一使用200301，Wikipedia Dumps页面：https://dumps.wikimedia.org/enwiki/20220301/
   - 下载到本地后，使用wikiextractor：https://github.com/attardi/wikiextractor；
   执行python -m wikiextractor.WikiExtractor <Wikipedia dump file>
   - 下载Wikidata5M：https://deepgraphlearning.github.io/project/wikidata5m

2. freebase：这里freebase使用项目组已有的数据，不过获取途径暂时没有公开，后面再告知，部分数据集提供了处理过的freebase，可直接使用（详见脚本）
3. InstructIE需要预处理；
4. graph thought modeling的合成数据可以详见脚本graph_preference_data.ipynb。

InstructGraph的指令微调数据暂时受到保护，因此目前可能只能开源一部分数据，不过数据构建的脚本全部开源，全量数据建议暂时独立构造。 感谢您的支持

[wjn1996]

Hello, we release the sft data, and you can download from https://huggingface.co/datasets/wjn1996/InstructGraph.

[Wilboludriver]

Hello, we release the sft data, and you can download from https://huggingface.co/datasets/wjn1996/InstructGraph.

Thank you so much for your kind open-sourced datasets.