format update

datasets/README.md

@@ -4,11 +4,13 @@
 * 数据按格式分为两种类型：**QA** 和 **Conversation**
 * 数据汇总：General（**6个数据集**）；Role-play（**3个数据集**）
 
- ## 数据集类型
+## 数据集类型
+
 * **General**：通用数据集，包含心理学知识、心理咨询技术等通用内容
 * **Role-play**：角色扮演数据集，包含特定角色对话风格数据等内容
 
 ## 数据类型
+
 * **QA**：问答对
 * **Conversation**：多轮对话
 
@@ -28,7 +30,9 @@
 |     ……      |          ……           |      ……      |   ……    |
 
 ## 数据集来源
-**General**：
+
+### **General**
+
 * 数据集 data 来自本项目
 * 数据集 data_pro 来自本项目
 * 数据集 multi_turn_dataset_1 来源 [Smile](https://github.com/qiuhuachuan/smile)
@@ -36,24 +40,28 @@
 * 数据集 single_turn_dataset_1 来自本项目
 * 数据集 single_turn_dataset_2 来自本项目
 
-**Role-play**：
+### **Role-play**
+
 * 数据集 aiwei 来自本项目
 * 数据集 tiangou 来自本项目
 * 数据集 SoulStar 来源 [SoulStar](https://github.com/Nobody-ML/SoulStar)
 
 ## 数据集去重
+
 结合绝对匹配以及模糊匹配(Simhash)算法，对数据集进行去重以提升微调模型的效果。在确保数据集的高质量的同时，通过调整阈值减少因错误匹配而丢失重要数据的风险。
 
-**Simhash算法介绍**
+### **Simhash算法介绍**
+
 Simhash（相似性哈希）是一种用于检测大量数据中相似或重复项的算法。它通过将文本转换为一组数值指纹来工作，这些指纹对相似的文本具有高度的相似性。Simhash算法对于处理文本数据特别有效，尤其是在处理大量数据时。
 
-**Simhash实现步骤**
+### **Simhash实现步骤**
+
 *文本预处理：将文本数据转换为适合Simhash处理的格式。这可能包括分词、去除停用词、词干提取等。
 *生成Simhash指纹：对预处理后的文本应用Simhash算法，生成一组数值指纹。每个指纹代表文本内容的一个哈希值。
 *比较指纹：通过比较哈希值的相似性来识别重复或相似的记录。Simhash的特点是即使在文本有少量差异时，生成的哈希值也具有较高的相似性。
 *确定阈值：设置一个相似性阈值，只有当两个指纹的相似度超过这个阈值时，才认为它们代表相似或重复的记录。
 *处理相似记录：对于被标记为相似的记录，可以进一步人工审查或自动合并，以消除重复。
 
-## 用法
-### deduplicate.py
-`deduplicate.py` 用于将datasets下以模型命名的文件夹下(例如：'datasets/qwen').json数据进行去重，输出去重后的数据到 `datasets/qwen/dedup` 文件夹下。
+### deduplicate.py用法
+
+`deduplicate.py` 用于将datasets下以模型命名的文件夹下(例如：'datasets/qwen').json数据进行去重，输出去重后的数据到 `datasets/qwen/dedup` 文件夹下。