sivan22/sefaria-hebrew

该数据集包含来自Sefaria项目的希伯来语犹太文本。

This dataset contains Jewish texts in Hebrew from the Sefaria project, featuring multiple attributes such as language, title, version information, status, license, text, and various level indices, divided into a training set with a large number of samples and bytes.

原始信息汇总

数据集概述

数据集信息

• 特征列表:

  • language: 字符串类型
  • title: 字符串类型
  • versionSource: 字符串类型
  • versionTitle: 字符串类型
  • status: 字符串类型
  • license: 字符串类型
  • versionTitleInHebrew: 字符串类型
  • actualLanguage: 字符串类型
  • isBaseText: 布尔类型
  • level_1_index: 浮点数类型
  • level_2_index: 浮点数类型
  • level_3_index: 浮点数类型
  • level_4_index: 浮点数类型
  • level_5_index: 浮点数类型
  • text: 字符串类型
  • versionNotes: 字符串类型
  • versionNotesInHebrew: 字符串类型
  • method: 字符串类型
  • digitizedBySefaria: 浮点数类型
  • heversionSource: 字符串类型
  • priority: 浮点数类型
  • shortVersionTitle: 字符串类型
  • purchaseInformationImage: 字符串类型
  • purchaseInformationURL: 字符串类型

• 数据分割:

  • train: 包含1955969个样本，总字节数为1901352817

• 数据集大小:

  • 下载大小: 544170227字节
  • 数据集大小: 1901352817字节

配置

• 默认配置:
  • 数据文件路径: data/train-*

搜集汇总

背景与挑战

背景概述

该数据集包含来自Sefaria项目的犹太教希伯来文文本，主要为《塔木德》等经典文献，数据格式为parquet，规模为1.96M行，适用于希伯来文文本处理和研究。