《高质量数据集 建设指南》.pdfVIP

TC609

全国数据标准化技术委员会技术文件

TC609-5-2025-XX

高质量数据集建设指南

High-qualitydataset—Constructionguidelines

（征求意见稿）

2025-XX-XX发布2025-XX-XX实施

全国数据标准化技术委员会发布

目次

前言II

1范围3

2规范性引用文件3

3术语和定义3

4建设方法4

5数据需求5

6数据规划5

7数据采集5

8数据预处理5

9数据标注6

10模型验证6

参考文献7

I

前言

请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。

本文件由全国数据标准化技术委员会（SAC/TC609）提出并归口。

本文件起草单位：

II

高质量数据集建设指南

1范围

本文件提供了高质量数据集建设全生命周期的指导和建议，包括数据需求、数据规划、数据采集、

数据预处理、数据标注、模型验证等阶段。

本文件适用于高质量数据集的规划、建设和维护工作。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其必威体育精装版版本（包括所有的修改单）适用于本

文件。

GB/T25000.24-2017系统与软件工程系统与软件质量要求和评价（SQuaRE）第24部分：数据质

量测量（ISO/IEC25024:2015，MOD）

GB/T41867-2022信息技术人工智能术语

GB/T42755-2023人工智能面向机器学习的数据标注规程

3术语和定义

下列术语和定义适用于本文件。

高质量数据集high-qualitydataset

经过采集、加工等数据处理，可直接用于开发和训练人工智能模型，能有效提升模型性能的数据的

集合。

数据质量dataquality

在指定条件下使用时，数据的特性满足明确的和隐含的要求的程度。

[来源：GB/T25000.24-2017，4.11]

数据质量模型dataqualitymodel

已定义的特性集合，提供一个框架用于说明数据质量需求和评价数据质量。

[来源：GB/T25000.24-2017，4.14]

数据标注datalabeling

给数据样本指定目标变量和赋值的过程。

[来源：GB/T42755-2023，3.1]

数据架构dataarchitecture

企业主要数据类型和来源、逻辑数据资产、物理数据资产和数据管理资源的结构和相互作用描述。

3

[来源：ISOTR21965:2019,3.2.6]

有监督机器学习supervisedmachinelearning

仅用标注数据进行训练的机器学习。

[来源：GB/T41867-2022，3.2.37]

4建设方法

高质量数据集建设应按照生命周期有序展开，包括数据需求、数据规划、数据采集、数据预处理、

数据标注、模型验证等阶段。其中，各阶段主要按以上顺序逐步开