pietrolesci/pubmed-20k-rct

该数据集主要用于文本分类任务，语言为英语。数据集包含多个特征，包括abstract_id、labels、text、sentence_id、uid以及三个不同的句子嵌入（embedding_all-mpnet-base-v2、embedding_multi-qa-mpnet-base-dot-v1、embedding_all-MiniLM-L12-v2）。数据集分为训练集、验证集和测试集，分别包含176642、29672和29578个样本。数据集的总大小为1859574013字节。该数据集与`armanc/pubmed-rct20k`数据集相同，但增加了唯一标识符`uid`、三个嵌入列，并将`label`列重命名为`labels`以便更好地与transformers库兼容。

原始信息汇总

数据集概述

任务类别

• 文本分类

语言

• 英语

数据集特征

• abstract_id：字符串类型
• labels：分类标签，包括：
  • 0: background
  • 1: conclusions
  • 2: methods
  • 3: objective
  • 4: results
• text：字符串类型
• sentence_id：整数类型
• uid：整数类型
• embedding_all-mpnet-base-v2：浮点数序列类型
• embedding_multi-qa-mpnet-base-dot-v1：浮点数序列类型
• embedding_all-MiniLM-L12-v2：浮点数序列类型

数据集分割

• 训练集：
  • 数据量：1392522399字节
  • 样本数：176642
• 验证集：
  • 数据量：233905609字节
  • 样本数：29672
• 测试集：
  • 数据量：233146005字节
  • 样本数：29578

数据集大小

• 下载大小：0字节
• 数据集总大小：1859574013字节