karmiq/wikipedia-embeddings-cs-minilm

该数据集是`wikimedia/wikipedia`数据集的捷克语子集。每个页面被分为段落，并存储在`chunks`列中。每个段落的嵌入是使用`sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2`模型生成的。数据集的结构使其易于用于实现语义搜索。

原始信息汇总

数据集概述

数据集信息

• 特征:
  • id: 字符串类型
  • url: 字符串类型
  • title: 字符串类型
  • chunks: 字符串序列
  • embeddings: 浮点数序列的序列
• 分割:
  • train: 包含3302394852字节，534044个样本
• 下载大小: 3029969220字节
• 数据集大小: 3302394852字节

配置

• 默认配置:
  • train分割的数据文件路径: data/train-*

语言

• 捷克语 (cs)

大小类别

• 100K < n < 1M

任务类别

• 文本生成
• 填充掩码

许可证

• CC-BY-SA-3.0
• GFDL

描述

该数据集包含捷克语子集的维基百科数据。每个页面被划分为段落，存储在chunks列中。每个段落使用sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2模型生成嵌入向量。