BASF-AI/PubChemWikiMSPC

---
dataset_info:
features:
- name: sent1
dtype: string
- name: sent2
dtype: string
- name: labels
dtype: int64
splits:
- name: test
num_bytes: 231217
num_examples: 192
download_size: 118436
dataset_size: 231217
configs:
- config_name: default
data_files:
- split: test
path: data/test-*
license: cc-by-nc-sa-4.0
language:
- en
- ms
pretty_name: PubChem & Wikipedia English-Malay Paragraph Pair Classification
task_categories:
- text-classification
tags:
- chemistry
- pubchem
- wikipedia
- chemteb
size_categories:
- n<1K
---
# PubChem & Wikipedia English-Malay Paragraph Pair Classification
This dataset is a multilingual extension of the [PubChem & Wikipedia Paragraphs Pair Classification](https://huggingface.co/datasets/BASF-AI/PubChemWikiParagraphsPC) dataset. It includes pairs of paragraphs in English and Malay (sent1 and sent2) with a binary labels column indicating whether the paragraphs describe the same entity (1) or different entities (0).

数据集信息：
特征：
- 名称：sent1
数据类型：字符串
- 名称：sent2
数据类型：字符串
- 名称：labels
数据类型：64位整型
数据集划分：
- 名称：测试集
字节数：231217
样本数：192
下载大小：118436
数据集总大小：231217
配置：
- 配置名称：默认配置
数据文件：
- 划分：测试集
路径：data/test-*
许可证：知识共享署名-非商业性使用-相同方式共享4.0（CC BY-NC-SA 4.0）
语言：
- 英语
- 马来语
数据集显示名：PubChem与维基百科英-马来语段落对分类
任务类别：
- 文本分类
标签：
- 化学
- PubChem
- 维基百科（Wikipedia）
- chemteb
规模类别：
- 样本数少于1000

# PubChem与维基百科英-马来语段落对分类数据集
本数据集是[PubChem与维基百科段落对分类](https://huggingface.co/datasets/BASF-AI/PubChemWikiParagraphsPC)数据集的多语言扩展版本，包含英语与马来语的段落对（sent1与sent2），并附带一列二分类标签，用于指示两段落是否描述同一实体：标签为1时表示两段落描述同一实体，标签为0时表示描述不同实体。