davanstrien/MOH-split

该数据集包含两个主要特征：ids和texts，均为字符串类型。数据集分为一个训练集，包含1018139个样本，总大小为724250889字节。数据集是通过使用Corpus Creator工具从文本文件中解析句子块创建的，使用Llama Index进行处理，块大小为256，无块重叠。

原始信息汇总

数据集概述

数据集信息

• 特征:

  • ids: 数据类型为 string
  • texts: 数据类型为 string

• 分割:

  • train:
    • 字节数: 724250889
    • 样本数: 1018139

• 下载大小: 410769400

• 数据集大小: 724250889

配置

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

标签

• corpus-creator