--- language: - th license: cc-by-4.0 task_categories: - text-classification task_ids: - multi-class-classification size_categories: - 1K ⚠️ **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}} } ```