justram/AToMiC-Texts-Dedup
收藏Hugging Face2022-12-15 更新2024-03-04 收录
下载链接：
https://hf-mirror.com/datasets/justram/AToMiC-Texts-Dedup
下载链接
链接失效反馈官方服务：
资源简介：
---
dataset_info:
features:
- name: language
dtype: string
- name: text_id
dtype: string
- name: page_url
dtype: string
- name: page_title
dtype: string
- name: section_title
dtype: string
- name: hierarchical_section_title
dtype: string
- name: context_page_description
dtype: string
- name: context_section_description
dtype: string
splits:
- name: train
num_bytes: 4768023667.871489
num_examples: 3220639
- name: validation
num_bytes: 35066965.650891684
num_examples: 21466
- name: test
num_bytes: 26076287.261490725
num_examples: 16362
download_size: 2976408849
dataset_size: 4829166920.783871
---
# Dataset Card for "AToMiC-Texts-Dedup"
[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)
提供机构：
justram
原始信息汇总
数据集信息
特征
- language: 数据类型为字符串。
- text_id: 数据类型为字符串。
- page_url: 数据类型为字符串。
- page_title: 数据类型为字符串。
- section_title: 数据类型为字符串。
- hierarchical_section_title: 数据类型为字符串。
- context_page_description: 数据类型为字符串。
- context_section_description: 数据类型为字符串。
数据分割
- train:
- 字节数: 4768023667.871489
- 样本数: 3220639
- validation:
- 字节数: 35066965.650891684
- 样本数: 21466
- test:
- 字节数: 26076287.261490725
- 样本数: 16362
数据集大小
- 下载大小: 2976408849 字节
- 数据集大小: 4829166920.783871 字节
