---
title: Student_Handbook_of_BUPT
canonical_url: "https://www.modelscope.cn/datasets/qsdong/Student_Handbook_of_BUPT"
md_url: "https://www.modelscope.cn/datasets/qsdong/Student_Handbook_of_BUPT.md"
repository: qsdong/Student_Handbook_of_BUPT
chinese_name: "北京邮电大学学生手册"
last_updated: 2026-06-14
license: "Apache License 2.0"
downloads: 8
stars: 0
---

# Student_Handbook_of_BUPT

> Student_Handbook_of_BUPT - qsdong 在 ModelScope 开源的数据集。本数据集是一个北京邮电大学（BUPT）校园知识问答数据集，包含 259 条高质量短问短答样本，覆盖宿舍生活、奖学金、转专业、校园网、办事流程等校园常见场景。数据来源于北邮三个公开网站，经爬虫采集、清洗去重、文本切块、DeepSeek API 改写、程序过滤等流程构建而成。

qsdong/Student_Handbook_of_BUPT 是 ModelScope 魔搭社区上的数据集，采用 Apache License 2.0 许可。

- **Repository**: qsdong/Student_Handbook_of_BUPT
- **License**: Apache License 2.0
- **Downloads**: 8
- **Stars**: 0
- **Last updated**: 2026-06-14

Source: https://www.modelscope.cn/datasets/qsdong/Student_Handbook_of_BUPT

---

# BUPT校园知识问答数据集

## 数据集简介

本数据集是一个**北京邮电大学（BUPT）校园知识问答数据集**，包含 **259 条**高质量短问短答样本，覆盖宿舍生活、奖学金、转专业、校园网、办事流程等校园常见场景。数据来源于北邮三个公开网站，经爬虫采集、清洗去重、文本切块、DeepSeek API 改写、程序过滤等流程构建而成。

数据集采用 `ms-swift` 兼容的 messages JSONL 格式，可直接用于 Qwen2.5、LLaMA 等模型的 LoRA 微调，训练校园知识问答助手。

## 数据集详情

| 统计项 | 数值 |
|---|---|
| 总 QA 数 | 259 |
| 问题最短 / 最⻓ | 6 字 / 31 字 |
| 问题中位长度 | 15 字 |
| 答案最短 / 最⻓ | 20 字 / 225 字 |
| 答案中位长度 | 69 字 |
| 数据格式 | messages JSONL |
| 语言 | 中文 |

### 来源分布

| 来源 | QA 数 | 说明 |
|---|---|---|
| `bupt_xsc`（学生处规章制度） | 172 | 奖学金、处分、助学贷款等 |
| `byrdocs_guide`（BUPT 生存指南） | 76 | 宿舍、转专业、校园网、开学考试等 |
| `bupt_xsc_guide`（学生处办事指南） | 11 | 补办学生证、在读证明等 |

## 数据格式

每条样本为 `ms-swift` 标准的 messages 格式，包含 system / user / assistant 三轮对话及溯源元数据：

```json
{
  "messages": [
    {"role": "system", "content": "你是北京邮电大学知识助手，请基于已知资料准确、简洁地回答问题。"},
    {"role": "user", "content": "沙河六人间上铺和下铺的床帘滑轨高度和长度是多少？"},
    {"role": "assistant", "content": "下铺床帘吊环到床架高1290mm，滑轨长1870mm，共9+2环。上铺有两排滑轨，吊环到床架高均为1130mm；面向过道的滑轨长1870mm，9+2环；两床隔断处滑轨长680mm，5+2环。"}
  ],
  "metadata": {
    "source": "bupt_v2_deepseek_qa",
    "title": "沙河六人间布局",
    "url": "https://guide.byrdocs.org/沙河校区/六人间布局",
    "source_site": "byrdocs_guide",
    "source_chunk": "上下铺均设置了滑轨和吊环..."
  }
}
```

`metadata.source_chunk` 保留了原始文本块，方便对 AI 生成答案做事实性校验。

## 数据来源

数据爬取自以下三个北京邮电大学公开网站：

| 网站 | 内容 |
|---|---|
| [guide.byrdocs.org](https://guide.byrdocs.org/) | BUPT 生存指南（非官方） |
| [xsc.bupt.edu.cn/jgjs/gzzd/xsgl.htm](https://xsc.bupt.edu.cn/jgjs/gzzd/xsgl.htm) | 学生处规章制度 |
| [xsc.bupt.edu.cn/xgdt/bszn.htm](https://xsc.bupt.edu.cn/xgdt/bszn.htm) | 学生处办事指南 |

## 使用场景

- **监督微调（SFT）**：使用 `ms-swift` 对 Qwen2.5 等模型进行 LoRA 微调
- **校园问答系统**：训练北邮校园知识助手
- **数据集构建研究**：参考爬虫 → 清洗 → API 改写 → 过滤的完整构建管线

### 微调示例（ms-swift）

```bash
swift sft \
  --model Qwen/Qwen2.5-1.5B-Instruct \
  --tuner_type lora \
  --dataset bupt_v2_messages.jsonl \
  --num_train_epochs 5 \
  --lora_rank 16 \
  --lora_alpha 32 \
  --max_length 768
```

## 构建流程

```
爬虫采集 → 清洗去重 → 句子切分 + 文本分块 → DeepSeek API 生成 QA → 过滤清洗去重 → 格式化输出
```

1. **爬虫采集**：`crawler.py`，从三个来源抓取 58 条原始页面
2. **清洗去重**：`normalize_whitespace()` + `MD5(title || content)` 跨文件去重
3. **文本切块**：中文分句后贪心合并，每块 ≤ 900 字
4. **API 生成 QA**：调用 DeepSeek API，低温度（0.2）批量生成问答对
5. **程序过滤**：拦截多问、拒答、过长/过短、元叙述等问题
6. **格式化**：组装为 ms-swift 兼容 JSONL，保留溯源 metadata

完整构建脚本见项目仓库。