tweet-sentiment-kf-pretrain-freeze-emb

KF-Embed Pretraining Corpus 是一个用于预训练多语言嵌入模型的大规模数据集，特别强调对印度语言的支持。该数据集汇集了16个不同的开源数据集，包含7.1亿个（查询，正例）对，覆盖50多种语言，总大小为128GB。每个记录包含三个字段：'source'（来源数据集标识）、'query'（查询文本如标题、问题等）和'positive'（相关联的长文本如文章正文、答案等）。数据集