遇见数据集

textcleanlm/med-domain-5b

收藏
Hugging Face2025-10-13 更新2025-10-25 收录
官方服务:

资源简介:

这是一个包含文本数据的训练集,数据集中的每个样本都包括一个唯一的标识符、文本内容以及元数据信息,如URL、来源域名等。此外,每个样本还包含了丰富的质量信号特征、fasttext向量表示以及eai_taxonomy分类信息。数据集总共包含超过400万个样本,大小约为60亿字节。

This is a training set containing text data, where each sample includes a unique identifier, text content, and metadata information such as URL and source domain. In addition, each sample also contains rich quality signal features, fasttext vector representations, and eai_taxonomy classification information. The dataset contains a total of over 4 million samples, with a size of approximately 6 billion bytes.

提供机构:
textcleanlm
二维码
社区交流群
二维码
科研交流群
商业服务