mtalrefaie/arallama-dataset-v1.0

---
dataset_info:
features:
- name: id
dtype: int64
- name: text
dtype: string
- name: meta
struct:
- name: warc_headers
struct:
- name: warc-record-id
dtype: string
- name: warc-date
dtype: string
- name: content-type
dtype: string
- name: content-length
dtype: int32
- name: warc-type
dtype: string
- name: warc-identified-content-language
dtype: string
- name: warc-refers-to
dtype: string
- name: warc-target-uri
dtype: string
- name: warc-block-digest
dtype: string
- name: identification
struct:
- name: label
dtype: string
- name: prob
dtype: float32
- name: harmful_pp
dtype: float32
- name: tlsh
dtype: string
- name: quality_warnings
sequence: string
- name: categories
sequence: string
- name: sentence_identifications
list:
- name: label
dtype: string
- name: prob
dtype: float32
splits:
- name: train
num_bytes: 63195041070
num_examples: 4975268
download_size: 29939473314
dataset_size: 63195041070
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集信息

• 特征列表:
  • id: 数据类型为 int64。
  • text: 数据类型为 string。
  • meta: 结构化数据，包含以下字段:
    • warc_headers: 结构化数据，包含以下字段:
      • warc-record-id: 数据类型为 string。
      • warc-date: 数据类型为 string。
      • content-type: 数据类型为 string。
      • content-length: 数据类型为 int32。
      • warc-type: 数据类型为 string。
      • warc-identified-content-language: 数据类型为 string。
      • warc-refers-to: 数据类型为 string。
      • warc-target-uri: 数据类型为 string。
      • warc-block-digest: 数据类型为 string。
    • identification: 结构化数据，包含以下字段:
      • label: 数据类型为 string。
      • prob: 数据类型为 float32。
    • harmful_pp: 数据类型为 float32。
    • tlsh: 数据类型为 string。
    • quality_warnings: 序列类型，数据类型为 string。
    • categories: 序列类型，数据类型为 string。
    • sentence_identifications: 列表类型，包含以下字段:
      • label: 数据类型为 string。
      • prob: 数据类型为 float32。

数据集分割

• train:
  • 字节数: 63195041070
  • 样本数: 4975268

数据集大小

• 下载大小: 29939473314
• 数据集大小: 63195041070

配置

• default:
  • 数据文件:
    • split: train
    • path: data/train-*