tarekziade/wikipedia-topics

该数据集是通过探索Wikipedia的40个根类别及其子类别来收集页面创建的。每个类别最多提供2000个页面。数据集包含id、title、summary、text和categories等字段，并分为训练集和测试集。

原始信息汇总

数据集概述

数据集信息

• 许可证: cc-by-sa-4.0
• 特征:
  • id: 数据类型为 int64
  • title: 数据类型为 string
  • summary: 数据类型为 string
  • text: 数据类型为 string
  • categories: 数据类型为 string 的序列

数据分割

• 训练集:
  • 字节数: 447696713.49705654
  • 样本数: 67573
• 测试集:
  • 字节数: 49749968.50294345
  • 样本数: 7509

数据集大小

• 下载大小: 298225345
• 数据集大小: 497446682.0

配置

• 默认配置:
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*

数据集创建

• 使用维基百科创建页面数据集。
• 探索40个根类别及其子类别以收集页面，每个类别最多提供2000个页面。