Martin97Bozic/solar-incorrect

---
dataset_info:
features:
- name: id_doc
dtype: string
- name: doc_title
dtype: string
- name: is_manually_validated
dtype: bool
- name: src_tokens
sequence: string
- name: src_ling_annotations
struct:
- name: lemma
sequence: string
- name: ana
sequence: string
- name: msd
sequence: string
- name: ne_tag
sequence: string
- name: space_after
sequence: bool
- name: tgt_tokens
sequence: string
- name: tgt_ling_annotations
struct:
- name: lemma
sequence: string
- name: ana
sequence: string
- name: msd
sequence: string
- name: ne_tag
sequence: string
- name: space_after
sequence: bool
- name: corrections
list:
- name: idx_src
sequence: int32
- name: idx_tgt
sequence: int32
- name: corr_types
sequence: string
- name: text
dtype: string
splits:
- name: train
num_bytes: 6534388
num_examples: 512
download_size: 878259
dataset_size: 6534388
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "solar-incorrect"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
dataset_info:
特征字段：
- 字段名：id_doc，数据类型：字符串
- 字段名：doc_title，数据类型：字符串
- 字段名：is_manually_validated，数据类型：布尔值
- 字段名：src_tokens，序列数据类型：字符串（Token（Token）序列）
- 字段名：src_ling_annotations，结构体类型，包含子字段：
- 词形（lemma）：序列数据类型：字符串
- 词法分析标记（ana）：序列数据类型：字符串
- 形态句法描述（msd）：序列数据类型：字符串
- 命名实体标签（ne_tag）：序列数据类型：字符串
- 后续空格标记（space_after）：序列数据类型：布尔值
- 字段名：tgt_tokens，序列数据类型：字符串（Token（Token）序列）
- 字段名：tgt_ling_annotations，结构体类型，包含子字段：
- 词形（lemma）：序列数据类型：字符串
- 词法分析标记（ana）：序列数据类型：字符串
- 形态句法描述（msd）：序列数据类型：字符串
- 命名实体标签（ne_tag）：序列数据类型：字符串
- 后续空格标记（space_after）：序列数据类型：布尔值
- 字段名：corrections，列表类型，包含子字段：
- 源语言索引（idx_src）：序列数据类型：int32整型
- 目标语言索引（idx_tgt）：序列数据类型：int32整型
- 校正类型（corr_types）：序列数据类型：字符串
- 字段名：text，数据类型：字符串
数据集划分：
- 划分名称：train（训练集），占用字节数：6534388，样本数量：512
下载大小：878259，数据集总大小：6534388
配置项：
- 配置名称：default（默认配置），数据文件：
- 数据集划分：train，文件路径：data/train-*
---
# "solar-incorrect"数据集卡片

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

• 特征列表:
  • id_doc: 文档ID，数据类型为字符串。
  • doc_title: 文档标题，数据类型为字符串。
  • is_manually_validated: 是否手动验证，数据类型为布尔值。
  • src_tokens: 源语言标记序列，数据类型为字符串序列。
  • src_ling_annotations: 源语言注释结构，包含以下字段：
    • lemma: 词元序列，数据类型为字符串序列。
    • ana: 分析序列，数据类型为字符串序列。
    • msd: 形态句法描述序列，数据类型为字符串序列。
    • ne_tag: 命名实体标签序列，数据类型为字符串序列。
    • space_after: 是否在词后有空格，数据类型为布尔值序列。
  • tgt_tokens: 目标语言标记序列，数据类型为字符串序列。
  • tgt_ling_annotations: 目标语言注释结构，包含以下字段：
    • lemma: 词元序列，数据类型为字符串序列。
    • ana: 分析序列，数据类型为字符串序列。
    • msd: 形态句法描述序列，数据类型为字符串序列。
    • ne_tag: 命名实体标签序列，数据类型为字符串序列。
    • space_after: 是否在词后有空格，数据类型为布尔值序列。
  • corrections: 更正列表，包含以下字段：
    • idx_src: 源索引序列，数据类型为整数序列。
    • idx_tgt: 目标索引序列，数据类型为整数序列。
    • corr_types: 更正类型序列，数据类型为字符串序列。
  • text: 文本内容，数据类型为字符串。

数据集划分

• 训练集:
  • 名称: train
  • 字节数: 6534388
  • 样本数: 512

数据集大小

• 下载大小: 878259 字节
• 数据集大小: 6534388 字节

配置信息

• 配置名称: default
• 数据文件:
  • 划分: train
  • 路径: data/train-*