如何将公司内部数据制作成大模型训练用的数据集

毫不夸张地讲，你的大模型微调效果好不好关键在于数据集质量如何。而微调工具或者微调参数只是其次。那么如何将公司内部的私有数据制作成大模型微调用的数据集呢？我给大家总结了6大步。

第一阶段：规划与准备 (最重要的阶段)

在开始任何技术工作之前，必须明确目标和规则。

1）明确训练目标：

任务类型：你想训练模型完成什么任务？

• 知识问答：基于文档内容回答问题。

• 文本摘要：自动生成文档摘要。

• 内容分类：将文档归入特定类别。

• 对话系统：打造一个内部知识助手。

• 代码生成：如果是代码库，用于代码补全或解释。
  

目标决定了后续所有处理方式。例如，做摘要需要“文档-摘要”对，做问答需要“问题-答案”对。

2）确定数据范围与来源：

来源： confluence, Notion, SharePoint, Google Docs, 代码库 (Git), CRM,客服工单，内部Wiki，PDF报告等。

范围：不是所有文档都适合。确定哪些部门、哪个时间段、哪些类型的文档需要纳入。避免使用过时的、敏感的或低质量的文档。

3）处理安全和隐私问题：

• 合规审查：务必与法务、安全和合规部门合作。

• 数据脱敏：制定明确的脱敏规则，识别并去除或替换个人身份信息 和其他敏感信息（如电话号码、邮箱、身份证号、银行卡号、客户名称、内部IP/域名等）。

• 权限控制：确保用于训练的数据不包含未经授权访问的内容。

第二阶段：数据收集与整理

1）批量导出数据：

使用各种工具提供的API（如Confluence API, Google Drive API）或以权限方式（如数据库导出、CSV）批量获取原始文档。

保存时最好保留元数据，如创建日期、作者、文档类型、URL等，这些信息后续可能用于筛选或增强数据。

2）统一格式：

将不同格式的文件（.docx, .pdf, .ppt, .html, .txt）转换为纯文本格式。

工具推荐：

• PDF：使用 PyMuPDF , pdfplumber , 或商业工具Adobe Acrobat。

• DOCX：使用 python-docx 库。

• PPTX：使用 python-pptx 库（注意主要提取文本框内容）。

• HTML：使用 BeautifulSoup 库去除标签。

转换后，文本中会包含大量无用元素（页眉、页脚、页码、代码块），这是正常的，下一步清洗会处理。

第三阶段：数据清洗与预处理

这是最耗时但至关重要的一步，直接决定数据集质量。

1）清理噪音：

• 删除无关文本：页眉页脚、页码、法律免责声明、重复内容。

• 清理多余的换行符、空格、乱码（ ， UTF-8 错误字符）。

• 处理表格和图像：表格可以提取为结构化文本（如Markdown表格）。图像中的文本需要使用OCR提取，但需评估其价值与成本。
  

2）分段：

• 大语言模型有上下文长度限制。不能将整本书直接扔给模型。

• 将长文本切分成语义连贯的短段落。

• 简单方法：按换行符、句号分段。但效果一般。

• 高级方法：使用文本分割器，如 recursive character text splitter ，尽可能在语义完整的边界（如段落结束、标题处）进行切割，并保留部分重叠以避免语义断裂。
  

3）脱敏：

• 使用正则表达式匹配模式（如邮箱、电话号码）。

• 使用预训练模型（如 spaCy 的 NER 模型）来识别实体（人名、地名、组织名）。

• 将识别出的敏感信息替换为无意义的占位符，如 [PHONE] , [NAME] , [EMAIL]。
  

4）去重：

• 删除完全相同的重复段落。

• 使用模糊去重（如SimHash）删除高度相似的段落，避免数据冗余。

第四阶段：数据格式化与标注

根据第一阶段的目标，将纯文本结构化为模型可训练的格式。

1）格式选择：

• 预训练：只需清洗后的纯文本，每段文本作为一个样本。格式简单：{"text": "..."}

• 指令微调：需要构造“指令-输入-输出”对。

• 问答对： {"instruction": "公司年假政策是怎样的？", "input": "", "output": "根据员工手册，全职员工每年享有15天年假..."}

• 摘要： {"instruction": "为以下文档写摘要", "input": "[长文档内容]", "output": "[摘要文本]"}

• 对话微调：需要多轮对话数据。

• {"messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}

2）数据构造方法：

• 人工撰写：质量最高，但成本高昂。适用于关键任务。
  

• 自动生成：

• 问答对：使用一个强大的LLM（如GPT-4）根据文档段落自动生成问题。

• 摘要：使用摘要模型为长文档生成摘要候选，再由人工审核修正。

• 利用现有资源：如果公司有客服日志，可以从中提取真实的“用户问题-客服回答”对。

第五阶段：质量保证与数据集构建

1）抽样与人工评估：

• 从处理后的数据中随机抽取一部分（例如1%）。

• 让领域专家评估质量：内容是否准确、格式是否正确、是否无敏感信息、标注是否合理。

• 根据反馈迭代优化前面的处理流程。

2）构建数据集文件：

• 将最终数据保存为标准的、通用的格式。

• 推荐格式： JSONL ，即每行一个JSON对象。这种格式易于读取、处理，且被绝大多数训练框架支持。

• 其他格式：CSV、Parquet。

3）划分数据集：

将数据随机打乱后，划分为：

• 训练集：用于模型训练的主要部分（~90%）。

• 验证集：训练过程中评估模型性能，调整超参数（~5%）。

• 测试集：最终评估模型的泛化能力，在整个训练过程中不应使用（~5%）。

第六阶段：安全、维护与迭代

1）安全存储：将最终数据集存储在安全的、有访问权限控制的位置。

2）版本控制：对数据集进行版本管理（如使用DVC或git-lfs），记录每次变化的说明。

3）持续迭代：随着公司内部文档的更新，定期重复此流程，扩增和更新数据集，以使模型保持最新。