edithram23/pii-dataset

该数据集包含多个字段，包括源文本、目标文本、隐私掩码、跨度标签、mBERT文本标记、mBERT生物标签、ID、语言和集合。隐私掩码字段进一步细分为值、开始位置、结束位置和标签。数据集分为训练集，包含27683个样本，总大小为44201855.57520035字节。

The dataset includes multiple fields such as source text, target text, privacy mask, span labels, mBERT text tokens, mBERT bio labels, ID, language, and set. The privacy mask field is further divided into value, start, end, and label. The dataset is divided into a training set containing 27,683 samples with a total size of 44,201,855.57520035 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• source_text: 类型为字符串。
• target_text: 类型为字符串。
• privacy_mask: 包含以下子特征：
  • value: 类型为字符串。
  • start: 类型为int64。
  • end: 类型为int64。
  • label: 类型为字符串。
• span_labels: 类型为字符串。
• mbert_text_tokens: 类型为字符串序列。
• mbert_bio_labels: 类型为字符串序列。
• id: 类型为int64。
• language: 类型为字符串。
• set: 类型为字符串。

数据分割

• train: 包含27683个样本，总大小为44201855.57520035字节。

数据集大小

• 下载大小: 13366203字节。
• 数据集总大小: 44201855.57520035字节。

配置

• default: 包含训练数据文件，路径为data/train-*。