zabir-nabil/bangla_newspaper_dataset

Bangla News Dataset包含超过40万条孟加拉语新闻样本，涵盖25个以上的类别。数据集的特征包括作者、类别、孟加拉语类别、发布日期、修改日期、标签、评论数量、标题、URL、内容以及索引级别。数据集分为训练集、验证集和两个测试集，分别包含不同数量的样本和字节大小。该数据集可用于孟加拉语文本分类和生成实验。

原始信息汇总

Bangla News Dataset

基本信息

• 语言: 孟加拉语 (bn)
• 许可证: MIT
• 数据集大小: 100K<n<1M
• 任务类别: 文本分类
• 美观名称: Bangla News Dataset

数据集特征

• 作者: 字符串
• 类别: 字符串
• 类别_bn: 字符串
• 发布日期: 字符串
• 修改日期: 字符串
• 标签: 字符串
• 评论计数: float64
• 标题: 字符串
• URL: 字符串
• 内容: 字符串
• 索引级别0: int64

数据集分割

• 训练集:
  • 字节数: 1381894352
  • 样本数: 265506
• 验证集:
  • 字节数: 319702710
  • 样本数: 61274
• 测试集1:
  • 字节数: 425596615
  • 样本数: 81691
• 测试集2:
  • 字节数: 2973422
  • 样本数: 495

数据集大小

• 下载大小: 787250980
• 数据集大小: 2130167099

配置

• 配置名称: default
  • 数据文件:
    • 训练集: data/train-*
    • 验证集: data/valid-*
    • 测试集1: data/test_1-*
    • 测试集2: data/test_2-*

数据集描述

• 样本数量: 400k+
• 类别数量: 25+

数据来源

• 来源: https://www.prothomalo.com/archive

引用

• BibTex:

  @misc{zabir_al_nazi_2020, title={Bangla Newspaper Dataset}, url={https://www.kaggle.com/dsv/1576225}, DOI={10.34740/KAGGLE/DSV/1576225}, publisher={Kaggle}, author={Zabir Al Nazi}, year={2020} }

• APA:

  Zabir Al Nazi. (2020). Bangla Newspaper Dataset [Data set]. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/1576225

• DOI: 10.34740/kaggle/dsv/1576225