davanstrien/YouTube-Commons-en-sample

该数据集包含视频相关的信息，如视频ID、视频链接、标题、文本内容、频道名称、频道ID、发布日期、许可证信息、原始语言、语言识别方法、转录语言、单词计数和字符计数。数据集主要用于训练，包含41,970个样本，总大小为688,300,579字节。

原始信息汇总

数据集概述

数据集信息

特征

• video_id: 视频ID，数据类型为large_string
• video_link: 视频链接，数据类型为large_string
• title: 视频标题，数据类型为large_string
• text: 视频文本内容，数据类型为large_string
• channel: 视频所属频道，数据类型为large_string
• channel_id: 频道ID，数据类型为large_string
• date: 视频发布日期，数据类型为large_string
• license: 视频许可信息，数据类型为large_string
• original_language: 视频原始语言，数据类型为large_string
• language_id_method: 语言识别方法，数据类型为large_string
• transcription_language: 转录语言，数据类型为large_string
• word_count: 单词数量，数据类型为int64
• character_count: 字符数量，数据类型为int64

数据分割

• train: 训练集，包含41970个样本，总大小为688300579字节

数据集大小

• 下载大小: 369556156字节
• 数据集总大小: 688300579字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*