bethea/cc-preprocessed

该数据集包含160,000个训练样本，20,000个验证样本和20,000个测试样本。每个样本包含一个唯一的dataID、一个summary序列和一个combined_texts序列。数据集总大小为1,822,691,596字节，下载大小为873,492,465字节。数据被分为训练、验证和测试三个部分，分别存储在指定的路径中。

The dataset consists of 160,000 training samples, 20,000 validation samples, and 20,000 test samples. Each sample includes a unique dataID, a sequence of summary, and a sequence of combined_texts. The total size of the dataset is 1,822,691,596 bytes, with a download size of 873,492,465 bytes. The data is divided into training, validation, and test sets, stored in specified paths.

原始信息汇总

数据集概述

数据集特征

• dataID: 数据标识符，数据类型为字符串。
• summary: 摘要信息，数据类型为字符串序列。
• combined_texts: 组合文本，数据类型为字符串序列。

数据集分割

• train: 训练集，包含160,000个样本，大小为1,457,900,029字节。
• validation: 验证集，包含20,000个样本，大小为182,461,919字节。
• test: 测试集，包含20,000个样本，大小为182,329,648字节。

数据集大小

• 下载大小: 873,492,465字节
• 数据集总大小: 1,822,691,596字节

配置信息

• 配置名称: default
• 数据文件路径:
  • 训练集: data/train-*
  • 验证集: data/validation-*
  • 测试集: data/test-*