Upload folder using huggingface_hub

SFT/README.md

@@ -0,0 +1,46 @@
+# 懂推荐
+
+懂推荐任务的 baseline SID 对齐数据。
+
+## 文件
+
+| 文件 | 说明 |
+| --- | --- |
+| `baseline_caption_tag_lists.parquet` | 每条 baseline SFT 样本一行，保留原始 `messages`，以及从 `messages` 中抽取出的 SID token 序列和对应的 caption/tag 序列 |
+
+## 数据规模
+
+- 行数：19,204
+- SID token 位置数：3,539,794
+- 文件大小：约 696 MB
+
+## 字段
+
+| 字段 | 类型 | 说明 |
+| --- | --- | --- |
+| `record_id` | int64 | 样本行 ID，范围为 `0 - 19203` |
+| `messages` | string | 原始 SFT messages JSON 字符串，通常包含 `system/user/assistant` 三条消息 |
+| `sid_token_list` | list[string] | 从 `messages` 中按出现顺序抽取出的 SID token |
+| `caption_list` | list[string] | 与 `sid_token_list` 位置对齐的 caption；未找到时为 null |
+| `tag_list` | list[string] | 与 `sid_token_list` 位置对齐的 tag；未找到时为 null |
+
+## 对齐规则
+
+三个 list 字段按位置一一对应：
+
+```text
+sid_token_list[i] <-> caption_list[i] <-> tag_list[i]
+```
+
+例如第 `i` 个 SID token 的文本描述为 `caption_list[i]`，三级类目为 `tag_list[i]`。如果 caption 或 tag 没有匹配到，对应位置保留 null，不改变 list 长度和顺序。
+
+## 覆盖率
+
+| 指标 | 数量 | 占 SID 位置比例 |
+| --- | ---: | ---: |
+| caption hit | 3,478,100 | 98.26% |
+| caption null | 61,694 | 1.74% |
+| tag hit | 1,356,390 | 38.32% |
+| tag null | 2,183,404 | 61.68% |
+
+注意：goods 域 tag 为 100% null。

SFT/baseline_caption_tag_lists.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:c307fe6d723ebdebc2d343de3481bdc878f6193d65456e3b933ae7f6b78b8d9d
+size 729700717