lltala/e-ner-roberta-base

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
dataset_info:
features:
- name: doc_id
dtype: string
- name: id
dtype: string
- name: ner_tags
sequence:
class_label:
names:
'0': O
'1': B-PER
'2': I-PER
'3': B-ORG
'4': I-ORG
'5': B-LOC
'6': I-LOC
- name: tokens
sequence: string
splits:
- name: train
num_bytes: 6380478
num_examples: 840
- name: validation
num_bytes: 676038
num_examples: 90
download_size: 776863
dataset_size: 7056516
---
# Dataset Card for "e-ner-roberta-base"

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

配置:
- 配置名称: default
数据文件:
- 拆分: 训练集 (train), 路径: data/train-*
- 拆分: 验证集 (validation), 路径: data/validation-*
数据集信息:
特征:
- 名称: 文档ID (doc_id), 数据类型: 字符串 (string)
- 名称: ID (id), 数据类型: 字符串 (string)
- 名称: 命名实体识别标签 (ner_tags), 序列类型，其类别标签映射为:
'0': O（其他实体）
'1': B-PER（实体起始-人物）
'2': I-PER（实体内部-人物）
'3': B-ORG（实体起始-组织）
'4': I-ORG（实体内部-组织）
'5': B-LOC（实体起始-地点）
'6': I-LOC（实体内部-地点）
- 名称: 词元 (tokens), 序列类型，元素为字符串
拆分:
- 名称: 训练集 (train), 字节数: 6380478, 样本数: 840
- 名称: 验证集 (validation), 字节数: 676038, 样本数: 90
下载大小: 776863
数据集总大小: 7056516
---
# "e-ner-roberta-base" 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

配置

• 默认配置（default）包含以下数据文件：
  • 训练集（train）：路径为 data/train-*
  • 验证集（validation）：路径为 data/validation-*

数据集信息

• 特征：

  • doc_id：数据类型为字符串（string）
  • id：数据类型为字符串（string）
  • ner_tags：序列类型，包含类别标签：
    • 0: O
    • 1: B-PER
    • 2: I-PER
    • 3: B-ORG
    • 4: I-ORG
    • 5: B-LOC
    • 6: I-LOC
  • tokens：序列类型，数据类型为字符串（string）

• 分割：

  • 训练集（train）：字节数为 6380478，样本数为 840
  • 验证集（validation）：字节数为 676038，样本数为 90

• 大小：

  • 下载大小：776863 字节
  • 数据集大小：7056516 字节

搜集汇总

背景与挑战

背景概述

该数据集是一个用于命名实体识别（NER）的文本数据集，包含930行标注数据，分为840行训练集和90行验证集。数据格式为parquet，涉及金融、法律和医疗等领域的文本，具有序列化的tokens和ner_tags列，适用于训练或微调基于RoBERTa的NER模型。