cyanic-selkie/wikianc-hr

WikiAnc HR数据集是从克罗地亚语维基百科和Wikidata（2023年3月1日）自动生成的数据集，主要用于Wikification任务。数据集中的每个数据点代表维基百科文章中的一个段落，包含段落文本、锚点信息、文章标题、文章页面ID、文章QID等字段。数据集分为训练集、验证集和测试集，且段落可能分布在不同的分割中。

原始信息汇总

数据集概述

数据集描述

数据集总结

• 名称: WikiAnc HR
• 来源: 自动从Wikipedia (hr) 和 Wikidata 的2023年3月1日数据转储生成。
• 用途: 用于训练Wikification模型。

支持的任务

• wikification: 用于训练模型以进行Wikification。

语言

• 语言: 克罗地亚语 (hr)

数据集结构

数据实例

• 代表: 每个数据点代表Wikipedia文章中的一个段落。
• 字段:
  • uuid: 唯一标识符
  • article_title: 文章标题
  • article_pageid: 文章页面ID
  • article_qid: Wikidata QID
  • section_heading: 段落标题
  • section_level: 段落级别
  • paragraph_text: 段落文本
  • paragraph_anchors: 包含多个锚点，每个锚点有start, end, qid, pageid, title字段。

数据字段

• 详细描述: 每个字段的详细定义和格式。

数据分割

• 分割: 训练、验证和测试集。
• 大小:
  • 文章: 训练集192,653篇，验证集116,375篇，测试集116,638篇。
  • 段落: 训练集2,346,651个，验证集292,590个，测试集293,557个。
  • 锚点: 训练集8,368,928个，验证集1,039,851个，测试集1,044,828个。
  • 带QID的锚点: 训练集7,160,367个，验证集891,959个，测试集896,414个。
  • 带页面ID的锚点: 训练集7,179,116个，验证集894,313个，测试集898,692个。

附加信息

许可信息

• 许可: Creative Commons Attribution 4.0 International