TopicNet/RTL-Wiki
收藏Hugging Face2024-03-18 更新2024-06-22 收录
下载链接：
https://hf-mirror.com/datasets/TopicNet/RTL-Wiki
下载链接
链接失效反馈官方服务：
资源简介：
RTL-Wiki数据集是一个英文单语数据集，主要用于文本分类任务，包括主题分类、多类分类和多标签分类。数据集包含两个版本：rtl-wiki和rtl-wiki-person，后者是前者的一个过滤版本，仅包含与人物相关的文档。数据集提供了详细的统计信息，如文档数量、词汇表大小、平均文档长度等。
RTL-Wiki数据集是一个英文单语数据集，主要用于文本分类任务，包括主题分类、多类分类和多标签分类。数据集包含两个版本：rtl-wiki和rtl-wiki-person，后者是前者的一个过滤版本，仅包含与人物相关的文档。数据集提供了详细的统计信息，如文档数量、词汇表大小、平均文档长度等。
提供机构：
TopicNet
原始信息汇总
数据集概述
RTL-Wiki
数据集基本信息
- 文档数量 (D): 7838
- 词形还原词典大小 (@lemmatized W): 1.28065e+07
- 词形还原平均文档长度 (@lemmatized len D): 1633.9
- 词形还原平均唯一词长度 (@lemmatized len D uniq): 691.157
- 二元词典大小 (@bigram W): 503619
- 二元平均文档长度 (@bigram len D): 64.2535
- 二元平均唯一词长度 (@bigram len D uniq): 30.8372
文档长度统计信息
- 词形还原总长度 (len_total@lemmatized):
- 平均值: 1633.9
- 标准差: 1565.19
- 最小值: 2
- 25% 分位数: 500
- 50% 分位数: 1115.5
- 75% 分位数: 2233.5
- 最大值: 15851
- 二元总长度 (len_total@bigram):
- 平均值: 64.2535
- 标准差: 73.1737
- 最小值: 0
- 25% 分位数: 18
- 50% 分位数: 41
- 75% 分位数: 85
- 最大值: 1098
- 词形还原唯一词长度 (len_uniq@lemmatized):
- 平均值: 691.157
- 标准差: 521.463
- 最小值: 2
- 25% 分位数: 283
- 50% 分位数: 554
- 75% 分位数: 961
- 最大值: 4184
- 二元唯一词长度 (len_uniq@bigram):
- 平均值: 30.8372
- 标准差: 28.071
- 最小值: 0
- 25% 分位数: 11
- 50% 分位数: 22
- 75% 分位数: 42
- 最大值: 283
RTL-Wiki-Person
数据集基本信息
- 文档数量 (D): 1201
- 词形还原词典大小 (@lemmatized W): 1.92167e+06
- 词形还原平均文档长度 (@lemmatized len D): 1600.06
- 词形还原平均唯一词长度 (@lemmatized len D uniq): 729.93
- 二元词典大小 (@bigram W): 371430
- 二元平均文档长度 (@bigram len D): 309.267
- 二元平均唯一词长度 (@bigram len D uniq): 196.595
文档长度统计信息
- 词形还原总长度 (len_total@lemmatized):
- 平均值: 1600.06
- 标准差: 1569.31
- 最小值: 73
- 25% 分位数: 484
- 50% 分位数: 1036
- 75% 分位数: 2117
- 最大值: 11661
- 二元总长度 (len_total@bigram):
- 平均值: 309.267
- 标准差: 323.991
- 最小值: 4
- 25% 分位数: 90
- 50% 分位数: 206
- 75% 分位数: 403
- 最大值: 3212
- 词形还原唯一词长度 (len_uniq@lemmatized):
- 平均值: 729.93
- 标准差: 541.153
- 最小值: 60
- 25% 分位数: 305
- 50% 分位数: 575
- 75% 分位数: 1007
- 最大值: 3108
- 二元唯一词长度 (len_uniq@bigram):
- 平均值: 196.595
- 标准差: 170.06
- 最小值: 4
- 25% 分位数: 70
- 50% 分位数: 147
- 75% 分位数: 268
- 最大值: 1216
