GLeite/dpoc-fernando-anotation-BIO-multiple-no-group-clean

该数据集主要用于命名实体识别（NER）任务，包含doc_id、text、tokens和ner_ids四个字段。ner_ids字段包含了大量的类别标签，涵盖了病理生理学、流行病学、病因学、病史、体格检查、辅助检查、鉴别诊断和治疗计划等多个医学领域的实体标签。数据集被分为train、validation和test三个部分，分别包含258、86和86个样本。

原始信息汇总

数据集概述

数据集特征

• doc_id: 数据类型为字符串。
• text: 数据类型为字符串。
• tokens: 数据类型为字符串序列。
• ner_ids: 数据类型为字符串序列，包含多个类别标签，如0: O, 1: B-Pathophysiology等。
• spaces: 数据类型为布尔值序列。

数据集划分

• train: 包含258个样本，总大小为544855.8字节。
• validation: 包含86个样本，总大小为181618.6字节。
• test: 包含86个样本，总大小为181618.6字节。

数据集大小

• 下载大小: 355573字节。
• 数据集总大小: 908093.0字节。

配置信息

• config_name: default
• data_files:
  • train: 路径为data/train-*。
  • validation: 路径为data/validation-*。
  • test: 路径为data/test-*。