slvnwhrl/tenkgnad-clustering-s2s

该数据集可作为德语词嵌入聚类的基准。数据集包含新闻文章标题，基于[One Million Posts Corpus](https://ofai.github.io/million-post-corpus/)和[10kGNAD](https://github.com/tblock/10kGNAD)数据集。它包含10,267个独特样本，10个分割，每个分割包含1,436到9,962个样本，以及9个独特类别。分割方式类似于MTEB的[TwentyNewsgroupsClustering](https://huggingface.co/datasets/mteb/twentynewsgroups-clustering)。

原始信息汇总

数据集概述

基本信息

• 许可证: cc-by-nc-sa-4.0
• 语言: 德语
• 标签: 嵌入, 聚类, 基准测试
• 大小类别: 10K<n<100K

数据集内容

• 用途: 作为德语词嵌入聚类的基准测试数据集。
• 数据来源: 基于One Million Posts Corpus和10kGNAD。
• 数据内容: 包含新闻文章标题。
• 样本数量: 10,267个独特样本。
• 数据分割: 10个分割，每个分割包含1,436至9,962个样本。
• 类别数量: 9个独特类别。

相关资源

• 更多信息、数据集和评估结果可参考German Text Embedding Clustering Benchmark和相关论文。