Nemotron-Personas-Korea的26个字段全解析:从7类Persona到人口统计属性的数据Schema深度指南
Nemotron-Personas-Korea的26个字段全解析:从7类Persona到人口统计属性的数据Schema深度指南
Nemotron-Personas-Korea 是 NVIDIA 发布的首个大规模韩语言语角色(Persona)合成数据集,基于韩国真实人口统计分布生成 100 万条记录、700 万个角色描述,包含 26 个字段:7 类 Persona、6 个人设属性、12 个人口统计与地理上下文字段。本文将带你逐个拆解这套数据 Schema,帮你在 10 分钟内看懂每一列的用途与含义。
30秒快速了解 Nemotron-Personas-Korea
在深入字段之前,先花 30 秒认识这个项目:
- 定位:开源合成 Persona 数据集(CC BY 4.0 许可),由 NVIDIA 使用 NeMo Data Designer 复合 AI 系统制作
- 规模:100 万条记录 × 7 个 Persona 维度 = 700 万个角色描述,共约 17 亿 tokens
- 数据来源:韩国统计信息门户 KOSIS、大法院姓名数据、国民健康保险公团、韩国农村经济研究院等官方统计
- 特色:年龄(含高龄层)、地区(含农村)、学历、职业等维度都忠实反映韩国真实人口分布,覆盖 17 个道级行政区和 252 个市郡区
简单来说:它把"韩国人"抽象成了 26 列结构化数据,你可以按任意人口条件筛选角色,用于训练更"接地气"的 AI 模型。
26个字段Schema全景:4大字段组一览
数据集由 4 组字段构成,结构非常清晰:
| 字段组 | 数量 | 说明 |
|---|---|---|
| Persona 字段 | 7 | 7 种不同场景下的角色描述文本 |
| Persona 属性字段 | 6 | 文化背景、技能、目标、爱好等自然语言描述 |
| 人口统计与地理上下文字段 | 12 | 性别、年龄、婚姻、学历、职业、地区等结构化属性 |
| 唯一标识符 | 1 | uuid,全局唯一 ID |
💡 这种"描述 + 属性"的双层设计是它的核心亮点:你可以用 12 个结构化字段精确筛选角色(比如"50 岁以上、首尔、大学学历"),再用 7 个 Persona 字段直接投喂给大模型。
7类Persona字段详解:每个角色都有自己的"人设"
这是数据集的灵魂部分——同一条记录会从 7 个不同视角描述同一个角色:
| 字段名 | 含义 | 典型内容 |
|---|---|---|
professional_persona |
职业视角人设 | 职业身份、工作内容、职场风格 |
sports_persona |
运动视角人设 | 运动习惯、偏好项目、体能状况 |
arts_persona |
艺术视角人设 | 艺术欣赏与创作偏好 |
travel_persona |
旅行视角人设 | 旅行风格、目的地偏好、出行习惯 |
culinary_persona |
饮食视角人设 | 饮食习惯、口味偏好、烹饪习惯 |
family_persona |
家庭视角人设 | 家庭角色、亲属关系、家庭互动 |
persona |
精简总结版 | 综合以上维度的简洁角色概述 |
📌 新手建议:如果你的应用场景只需要"一个角色简介",直接取 persona 字段即可;如果需要多角度对话模拟(比如"请一个体育迷聊聊周末安排"),再选对应的专项 Persona 字段。7 个字段合计贡献了约 10 亿 tokens 的角色描述。
6个Persona属性字段:角色内在画像
除了场景化描述,数据集还提供 6 个补充人设字段,让角色更立体:
| 字段名 | 含义 |
|---|---|
cultural_background |
文化背景描述 |
skills_and_expertise |
技能与专长(自然语言段落) |
skills_and_expertise_list |
技能与专长(列表形式,便于程序解析) |
hobbies_and_interests |
爱好与兴趣(自然语言段落) |
hobbies_and_interests_list |
爱好与兴趣(列表形式) |
career_goals_and_ambitions |
职业目标与抱负 |
⚙️ 注意
skills_and_expertise与skills_and_expertise_list这类"双字段"设计:前者适合直接生成文本,后者方便做标签匹配和结构化过滤。做数据工程时,优先用_list后缀字段做筛选逻辑。
12个人口统计与地理字段:真实韩国人口缩影
这是与"传统 Persona 数据集"拉开差距的关键——12 个结构化字段让每个角色都有可量化的"户口":
| 字段名 | 类型 | 说明 |
|---|---|---|
sex |
string | 性别 |
age |
int64 | 年龄(仅含 19 岁及以上成年人) |
marital_status |
string | 婚姻状态(未婚/已婚/离异/丧偶) |
military_status |
string | 兵役状态 |
family_type |
string | 家庭类型(核心家庭、单亲、三代同堂等) |
housing_type |
string | 住房类型 |
education_level |
string | 学历水平 |
bachelors_field |
string | 本科专业领域 |
occupation |
string | 职业 |
district |
string | 市郡区(覆盖 252 个行政区) |
province |
string | 道/广域市(17 个行政区) |
country |
string | 国家 |
这些字段不是随机填充的,而是严格对齐韩国真实统计分布:
年龄分布:整体呈"中间鼓"的罐形结构,50–64 岁(1960–70 年代婴儿潮)占比最厚;80–89 岁组中女性约为男性的 1.52 倍,忠实反映女性预期寿命更长的现实。
婚姻状态:19–24 岁未婚率超过 95%,35 岁起已婚率升至 64% 并在 50 多岁达到 78% 峰值;80 岁以后丧偶占比陡增,与韩国平均初婚年龄 31–33 岁、"黄昏离婚"等社会趋势完全吻合。
家庭类型:随年龄呈现清晰的"核心家庭 → 空巢夫妇 → 独居"生命周期迁移;1 人户在青年(求学/就业独立)和 75 岁后(丧偶独居)出现双峰分布。
学历水平:20–34 岁中大学及以上学历超过 75%;80 岁以上"无学历 + 小学学历"合计达 73%,一眼看穿韩国教育扩张的代际断层。
地区维度同样细致:全国本科及以上占比平均 32.9%,世宗特别自治市(49.0%)、首尔(45.1%)、大田(39.7%)位列前三——与政府机关迁入、大学与大企业总部高度集中直接相关。
职业分布:专业与 사무직(文职)占比最大,反映服务/知识型经济结构;销售类中"网上购物销售员"占比 19.8%,呼应韩国极高的电商渗透率;军人仅约 1% 且以陆军为主,与真实军队结构一致。
1个UUID与数据规模总览
| 项目 | 数值 |
|---|---|
| 记录数 | 1,000,000 条 |
| 角色描述数 | 7,000,000 个 |
| 总 tokens | 约 17 亿(其中 Persona 描述约 10 亿) |
| 存储体积 | 约 2.0 GB(下载约 1.98 GB) |
| 姓名多样性 | 209,167 个唯一"姓+名"(118 姓 × 21,400+ 名) |
| 地理覆盖 | 17 个道级行政区 + 252 个市郡区 |
uuid 字段为每条记录提供全局唯一标识,便于去重、溯源与多表关联。
数据集使用快速上手
数据以 9 个 Parquet 分片存放于 data/ 目录(如 data/train-00000-of-00009.parquet),可通过 Hugging Face datasets 库一行加载:
from datasets import load_dataset
nemotron_personas = load_dataset("nvidia/Nemotron-Personas-Korea")
加载后即可用 12 个结构化字段做条件筛选,例如"找出 60 岁以上、居住在农村地区的角色",再取其 persona 字段作为系统提示词——这就是这套 Schema 的设计目的。
新手常见问题 FAQ
Q1:数据里的角色是真人吗? 不是。所有数据虽然对齐真实分布,但均为完全人工合成;若与真人雷同纯属巧合。
Q2:为什么没有"姓名"字段? 数据集聚焦 Persona 本身,姓名等字段由生成管线在上游使用,不对外提供;人格、金融/医疗等企业场景 Persona 也不包含在内。
Q3:字段之间完全独立吗? 制作时基于概率图模型(PGM)对部分变量做了独立假设(如职业分配时性别、学历等因素独立作用),且韩国公共数据中缺乏性别认同(gender)统计,故未纳入。
Q4:商用可以吗? 可以。数据集采用 CC BY 4.0 许可,商用与非商用均自由使用,仅要求署名。
📚 更完整的字段定义、数据来源与分析说明,可查阅仓库内的 README.md(数据 Schema 章节)。
总结:一张表带走 26 个字段
| 你要做什么 | 看哪组字段 |
|---|---|
| 给 LLM 生成角色提示词 | 7 个 Persona 字段(首选 persona) |
| 做标签筛选/结构化匹配 | 6 个属性字段(优先 _list 后缀)+ 12 个人口字段 |
| 按地区/年龄/职业做定向分析 | 12 个人口统计与地理字段 |
| 数据去重与溯源 | uuid |
Nemotron-Personas-Korea 的价值正在于此:用 26 个字段同时解决了"角色像谁(描述)"和"角色是谁(属性)"两个问题,让你既能精确圈定人群,又能直接生成有血有肉的角色文本。








