ShinRunner1st's picture
Update README.md
b340e0b verified
|
Raw History Blame Contribute Delete
8.41 kB
---
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}}
}
```