five

barandinho/wikipedia_tr_embedded

收藏
Hugging Face2024-07-15 更新2024-07-22 收录
下载链接:
https://hf-mirror.com/datasets/barandinho/wikipedia_tr_embedded
下载链接
链接失效反馈
官方服务:
资源简介:
该数据集是基于土耳其语维基百科数据集[barandinho/wikipedia_tr](https://huggingface.co/datasets/barandinho/wikipedia_tr)进行分块处理(chunk_size=2048, chunk_overlap=256),然后通过[sentence-transformers/distiluse-base-multilingual-cased-v1](https://huggingface.co/sentence-transformers/distiluse-base-multilingual-cased-v1)嵌入模型进行嵌入处理。嵌入维度为64,值为int8类型。该数据集适用于进行相似性搜索,特别是针对土耳其语文本。

This dataset is an embedded version of the Turkish Wikipedia, originally from barandinho/wikipedia_tr, which was chunked (chunk_size=2048, chunk_overlap=256) and then embedded using the sentence-transformers/distiluse-base-multilingual-cased-v1 model. The embedding dimension is 64 with int8 values. The dataset includes features such as url, title, text, and embed_int8 (embedded int8 sequences), divided into a training set with 762059 samples.
提供机构:
barandinho
原始信息汇总

数据集概述

数据集信息

  • 语言: 土耳其语
  • 嵌入模型: sentence-transformers/distiluse-base-multilingual-cased-v1
  • 嵌入维度: 64
  • 嵌入值类型: int8

数据集特征

  • url: 字符串类型
  • title: 字符串类型
  • text: 字符串类型
  • embed_int8: 序列类型,int64

数据集分割

  • train:
    • 样本数量: 762059
    • 字节数: 1252396519

数据集大小

  • 下载大小: 501996398
  • 数据集大小: 1252396519

配置

  • config_name: default
  • data_files:
    • split: train
    • path: data/train-*
5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作