Datasets:
Tasks:
Text Classification
Modalities:
Text
Formats:
csv
Sub-tasks:
multi-class-classification
Languages:
Thai
Size:
1K - 10K
License:
File size: 8,408 Bytes
43cda8b b340e0b 43cda8b b340e0b 43cda8b ce04ae3 43cda8b b340e0b 43cda8b | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 | ---
language:
- th
license: cc-by-4.0
task_categories:
- text-classification
task_ids:
- multi-class-classification
size_categories:
- 1K<n<10K
tags:
- thai
- it-service-request
- helpdesk
- synthetic
- llm-generated
pretty_name: Servicehub Thai IT Service Requests (14 categories)
---
# ServiceThub Thai IT Service Requests — 14 Categories
ชุดข้อมูลคำร้องขอบริการด้าน IT และงานสำนักงานภาษาไทย สำหรับงานจำแนกหมวดหมู่ข้อความ (text classification) ปรับปรุงจากชุดข้อมูลต้นฉบับ 18 หมวด โดยตัดหมวดที่นิยามไม่ชัดเจนออกและรวมหมวดที่ขอบเขตทับซ้อนกัน เหลือ 14 หมวด
A Thai-language dataset of IT / office service requests for multi-class text classification. Derived from an 18-category version by dropping the ill-defined `Other` class and merging three pairs of overlapping classes, resulting in 14 categories.
> ⚠️ **ข้อความทั้งหมดถูกสร้างด้วย LLM (synthetic data)** และ label มาจากหมวดที่กำหนดใน prompt ตอนสร้างข้อความ ไม่ได้ผ่านการแท็กโดยมนุษย์ โปรดอ่านหัวข้อ [ข้อจำกัด](#ข้อจำกัด-limitations) ก่อนนำไปใช้
## ภาพรวม (Dataset Summary)
| รายการ | ค่า |
|---|---|
| จำนวนแถว | 2,850 |
| จำนวนหมวด (category) | 14 |
| ภาษา | ไทย (มีคำภาษาอังกฤษปนตามบริบทงาน IT) |
| ความยาวข้อความ | เฉลี่ย ~109 ตัวอักษร (ต่ำสุด 8, สูงสุด 283) |
| แถวซ้ำ | ไม่มี |
| Split | `train` เพียง split เดียว (ผู้ใช้แบ่ง train/test เอง) |
## โครงสร้างข้อมูล (Data Fields)
| คอลัมน์ | ชนิด | คำอธิบาย |
|---|---|---|
| `request_text` | string | ข้อความคำร้องขอบริการภาษาไทย |
| `category` | string | หมวดหมู่ของคำร้อง (14 หมวด) — **label หลัก** |
| `priority` | string | ระดับความเร่งด่วน: `High`, `Medium`, `Low` |
| `sentiment` | string | อารมณ์ของข้อความ: `Positive`, `Neutral`, `Negative` |
| `_generation` | string | metadata ตอนสร้างข้อมูล (dict ในรูป string) มี `target_category`, `target_priority`, `target_sentiment` |
หมายเหตุ: `target_category` ใน `_generation` เป็นชื่อหมวด**เดิมแบบ 18 หมวด** ก่อนการรวม เก็บไว้เพื่อให้ย้อนดูที่มาของแต่ละแถวได้
### ตัวอย่างข้อมูล (Example)
```json
{
"request_text": "พี่ครับ รบกวนช่วยตรวจสอบสิทธิ์การเข้าใช้งานระบบบัญชีให้หน่อยครับ พอดีเข้าไปดูข้อมูลไม่ได้",
"category": "Account & Access",
"priority": "High",
"sentiment": "Neutral",
"_generation": "{'target_category': 'Account & Access', 'target_priority': 'High', 'target_sentiment': 'Neutral'}"
}
```
## การกระจายของหมวดหมู่ (Label Distribution)
| หมวด (category) | จำนวน |
|---|---|
| Software & System | 350 |
| Hardware & Device | 340 |
| Information & Policy | 340 |
| Account & Access | 180 |
| Procurement Request | 170 |
| Network Issue | 170 |
| Data & Database | 170 |
| Meeting/Resource Request | 170 |
| Email & Communication | 170 |
| Quotation Request | 160 |
| Billing & Payment | 160 |
| HR & Employee Service | 160 |
| Security Issue | 160 |
| Plan/Budget Approval | 150 |
หมวดที่เกิดจากการรวมมีขนาดราว 2 เท่าของหมวดอื่น แนะนำให้ใช้ class weights หรือ stratified split ตอนเทรน
| priority | จำนวน | | sentiment | จำนวน |
|---|---|---|---|---|
| High | 999 | | Neutral | 1,146 |
| Medium | 997 | | Negative | 998 |
| Low | 854 | | Positive | 706 |
## การปรับจาก 18 เป็น 14 หมวด (Taxonomy Revision)
ชุดข้อมูลต้นฉบับมี 18 หมวด จำนวน 3,000 แถว ผลวิเคราะห์ error จากการเทรนโมเดลบน taxonomy เดิมพบปัญหา 2 แบบ จึงปรับดังนี้
**1. ตัดหมวด `Other` (150 แถว)** เพราะหมวดนี้นิยามด้วยการปฏิเสธ ("ไม่เข้าหมวดอื่น") ทำให้โมเดลเรียนรู้รูปแบบได้ยาก
**2. รวม 3 คู่หมวดที่สับสนกันแบบสองทาง** ซึ่งสะท้อนว่าขอบเขตนิยามทับซ้อนกัน
| หมวดเดิม | หมวดใหม่ |
|---|---|
| Hardware Issue + Device & Peripheral | Hardware & Device |
| Software Issue + System Support | Software & System |
| General Information + Policy & Procedure | Information & Policy |
หมวดอื่นอีก 11 หมวดคงชื่อและข้อมูลเดิมไว้ทั้งหมด การปรับทำด้วยการ relabel ก่อนเทรน ไม่ได้ map ผลทำนายภายหลัง
## วิธีใช้งาน (Usage)
```python
from datasets import load_dataset
ds = load_dataset("ShinRunner1st/ServiceHub_Dataset_14Cat")
print(ds["train"][0])
```
แบ่ง train/test แบบ stratified:
```python
ds = ds["train"].class_encode_column("category")
split = ds.train_test_split(test_size=0.2, stratify_by_column="category", seed=2026)
```
## ข้อจำกัด (Limitations)
- **Synthetic data:** ข้อความทั้งหมดสร้างด้วย LLM จึงอาจมีรูปแบบภาษาที่สม่ำเสมอกว่าคำร้องจริง ผลลัพธ์ของโมเดลที่เทรนบนชุดนี้อาจไม่สะท้อนประสิทธิภาพบนข้อมูลจริงในองค์กร
- **Label มาจาก prompt:** `category`, `priority` และ `sentiment` คือค่าที่สั่งให้ LLM สร้าง ไม่ใช่การแท็กโดยมนุษย์ ข้อความบางแถวอาจไม่ตรงกับ label ที่ได้รับ (label noise)
- **Class imbalance:** หมวดที่รวมกันมีขนาดใหญ่กว่าหมวดอื่นประมาณ 2 เท่า
- **ขอบเขตโดเมน:** ครอบคลุมคำร้องด้าน IT และงานสำนักงานทั่วไปเท่านั้น
- **ไม่มีข้อมูลส่วนบุคคลจริง:** เนื่องจากเป็นข้อมูลสังเคราะห์ ไม่ได้มาจากคำร้องของผู้ใช้จริง
## License
เผยแพร่ภายใต้ [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)
## Citation
```bibtex
@misc{servicethub_thai_14cat,
title = {ServiceThub Thai IT Service Requests (14 categories)},
author = {ShinRunner1st},
year = {2026},
howpublished = {\url{https://huggingface.co/datasets/ShinRunner1st/ServiceHub_Dataset_14Cat}}
}
```
|