sentence-transformers/mr-tydi

该数据集名为Mr. TyDi，主要用于特征提取和句子相似性任务。它包含多种语言的配置（如阿拉伯语、孟加拉语、英语、芬兰语、印尼语），并且每种语言有不同的配置，包括不同的负例数量（如三元组、三元组-100、三元组-全部）。每个配置详细描述了特征（锚点、正例、负例）、训练集的大小（字节数、样本数）、下载大小和数据集大小。

The dataset, named Mr. TyDi, is primarily used for feature extraction and sentence similarity tasks. It includes configurations for multiple languages (e.g., Arabic, Bengali, English, Finnish, Indonesian) with variations in the number of negative examples (e.g., triplet, triplet-100, triplet-all). Each configuration details the features (anchor, positive, negative), the size of the training split (bytes, number of examples), download size, and dataset size.

原始信息汇总

数据集概述

数据集名称

Mr. TyDi

数据集大小

• 1M < n < 10M

任务类别

• 特征提取
• 句子相似度

标签

• sentence-transformers

配置信息

配置名称：ar-triplet

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 24615084
    • 样本数: 12377
• 下载大小: 12653243
• 数据集大小: 24615084

配置名称：ar-triplet-100

• 特征:
  • anchor: string
  • positive: string
  • negative_1 至 negative_100: string
• 分割:
  • train:
    • 字节数: 1214594234
    • 样本数: 12377
• 下载大小: 641644211
• 数据集大小: 1214594234

配置名称：ar-triplet-all

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 2453727140
    • 样本数: 1237700
• 下载大小: 613873757
• 数据集大小: 2453727140

配置名称：bn-triplet

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 6017155
    • 样本数: 1713
• 下载大小: 2175375
• 数据集大小: 6017155

配置名称：bn-triplet-100

• 特征:
  • anchor: string
  • positive: string
  • negative_1 至 negative_100: string
• 分割:
  • train:
    • 字节数: 282968923
    • 样本数: 1719
• 下载大小: 111281886
• 数据集大小: 282968923

配置名称：bn-triplet-all

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 602712985
    • 样本数: 171900
• 下载大小: 107783867
• 数据集大小: 602712985

配置名称：en-triplet

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 4768398
    • 样本数: 3547
• 下载大小: 3112690
• 数据集大小: 4768398

配置名称：en-triplet-100

• 特征:
  • anchor: string
  • positive: string
  • negative_1 至 negative_100: string
• 分割:
  • train:
    • 字节数: 234808493
    • 样本数: 3547
• 下载大小: 154772611
• 数据集大小: 234808493

配置名称：en-triplet-all

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 478023773
    • 样本数: 354700
• 下载大小: 138708662
• 数据集大小: 478023773

配置名称：fi-triplet

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 7319798
    • 样本数: 6561
• 下载大小: 4861307
• 数据集大小: 7319798

配置名称：fi-triplet-100

• 特征:
  • anchor: string
  • positive: string
  • negative_1 至 negative_100: string
• 分割:
  • train:
    • 字节数: 365508753
    • 样本数: 6561
• 下载大小: 247258083
• 数据集大小: 365508753

配置名称：fi-triplet-all

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 735154260
    • 样本数: 656100
• 下载大小: 227681832
• 数据集大小: 735154260

配置名称：id-triplet

• 特征:
  • anchor: string
  • positive: string
  • negative: string
• 分割:
  • train:
    • 字节数: 6313211
    • 样本数: 4902
• 下载大小: 3774956
• 数据集大小: 6313211

配置名称：id-triplet-100

• 特征:
  • anchor: string
  • positive: string
  • negative_1 至 negative_100: string
• 分割:
  • train:
    • 字节数: 365508753
    • 样本数: 6561
• 下载大小: 247258083
• 数据集大小: 365508753