Hieuman/u-sticker

---
dataset_info:
features:
- name: authorIDs
dtype: string
- name: fullText
dtype: string
- name: subset
dtype: string
- name: language
dtype: string
- name: language_family
dtype: string
- name: docID
dtype: int64
- name: BM25_retrieved_docIDs
list: int64
- name: sameAuthor_docIDs
list: int64
- name: cluster
dtype: int64
splits:
- name: zh
num_bytes: 61192702
num_examples: 12259
- name: en
num_bytes: 584655619
num_examples: 114351
- name: ru
num_bytes: 57924760
num_examples: 11459
- name: ar
num_bytes: 23308551
num_examples: 4826
- name: fr
num_bytes: 22453702
num_examples: 4535
- name: de
num_bytes: 2896472
num_examples: 592
- name: vi
num_bytes: 8228652
num_examples: 1777
- name: es
num_bytes: 17566721
num_examples: 2876
download_size: 182138663
dataset_size: 778227179
configs:
- config_name: default
data_files:
- split: zh
path: data/zh-*
- split: en
path: data/en-*
- split: ru
path: data/ru-*
- split: ar
path: data/ar-*
- split: fr
path: data/fr-*
- split: de
path: data/de-*
- split: vi
path: data/vi-*
- split: es
path: data/es-*
---

数据集信息：
特征字段：
- 名称：authorIDs（作者ID），数据类型：string（字符串）
- 名称：fullText（全文内容），数据类型：string（字符串）
- 名称：subset（子集标识），数据类型：string（字符串）
- 名称：language（语言标识），数据类型：string（字符串）
- 名称：language_family（语系标识），数据类型：string（字符串）
- 名称：docID（文档ID），数据类型：int64（64位整数）
- 名称：BM25_retrieved_docIDs（BM25检索文档ID列表），列表元素类型：int64（64位整数）
- 名称：sameAuthor_docIDs（同作者文档ID列表），列表元素类型：int64（64位整数）
- 名称：cluster（聚类簇ID），数据类型：int64（64位整数）
数据拆分：
- 拆分名称：zh（中文拆分），字节占用：61192702，样本数量：12259
- 拆分名称：en（英文拆分），字节占用：584655619，样本数量：114351
- 拆分名称：ru（俄语拆分），字节占用：57924760，样本数量：11459
- 拆分名称：ar（阿拉伯语拆分），字节占用：23308551，样本数量：4826
- 拆分名称：fr（法语拆分），字节占用：22453702，样本数量：4535
- 拆分名称：de（德语拆分），字节占用：2896472，样本数量：592
- 拆分名称：vi（越南语拆分），字节占用：8228652，样本数量：1777
- 拆分名称：es（西班牙语拆分），字节占用：17566721，样本数量：2876
下载总大小：182138663
数据集总大小：778227179
配置项：
- 配置名称：default（默认配置），数据文件：
- 拆分：zh，数据路径：data/zh-*
- 拆分：en，数据路径：data/en-*
- 拆分：ru，数据路径：data/ru-*
- 拆分：ar，数据路径：data/ar-*
- 拆分：fr，数据路径：data/fr-*
- 拆分：de，数据路径：data/de-*
- 拆分：vi，数据路径：data/vi-*
- 拆分：es，数据路径：data/es-*