jganzabalseenka/news_2024-05-21_24hs

该数据集包含多个特征，如资产ID、中文标题、媒体来源、影响程度、时间戳、标题、文本、实体信息、关键词等。数据集主要用于存储与文本相关的信息，包括文本内容、实体识别结果、关键词提取结果等。数据集的训练集包含19056个样本，总大小为195581909字节。

This dataset includes multiple features such as asset ID, Chinese title, media source, impact level, timestamps, title, text, entity information, keywords, etc. The dataset is primarily used for storing text-related information, including text content, entity recognition results, keyword extraction results, etc. The training set of the dataset contains 19056 samples, with a total size of 195581909 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• asset_id: 数据类型为 int64
• title_ch: 数据类型为 string
• media: 数据类型为 string
• impact: 数据类型为 int64
• start_time_utc: 数据类型为 timestamp[ns]
• start_time_local: 数据类型为 timestamp[ns]
• title: 数据类型为 string
• text: 数据类型为 string
• entities_curated: 数据类型为 sequence: string
• entities: 数据类型为 sequence: string
• predicted_at_entities: 数据类型为 timestamp[us]
• entities_raw_transformers: 数据类型为 list，包含以下子特征：
  • entities: 数据类型为 list，包含以下子特征：
    • end: 数据类型为 int64
    • entity_group: 数据类型为 string
    • score: 数据类型为 float64
    • start: 数据类型为 int64
    • word: 数据类型为 string
  • text: 数据类型为 string
• entities_transformers: 数据类型为 sequence: string
• keywords: 数据类型为 sequence: string
• predicted_at_keywords: 数据类型为 timestamp[ns]
• truncated_text: 数据类型为 string
• title_and_text: 数据类型为 string
• prediction_delay_predictions: 数据类型为 float64
• prediction_delay: 数据类型为 float64

数据分割

• train: 包含 19056 个样本，占用 195581909 字节

数据集大小

• 下载大小: 104412171 字节
• 数据集大小: 195581909 字节

配置

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