procit001/dutch_firstname_lastname_dataset_6

该数据集是一个用于自然语言处理（NLP）任务的数据集，主要包含文本的标记、词性标注、短语标注和命名实体识别（NER）标注。每个样本包含id、tokens、pos_tags、chunk_tags和ner_tags等特征。pos_tags表示词性标注，chunk_tags表示短语标注，ner_tags表示命名实体识别标注。数据集分为训练集、验证集和测试集，分别包含36368、4546和4547个样本。

This dataset is designed for natural language processing (NLP) tasks, primarily containing tokenized text, part-of-speech tags, chunk tags, and named entity recognition (NER) tags. Each sample in the dataset includes features such as id, tokens, pos_tags, chunk_tags, and ner_tags. The pos_tags represent part-of-speech tags, chunk_tags represent chunk tags, and ner_tags represent named entity recognition tags. The dataset is divided into training, validation, and test sets, containing 36,368, 4,546, and 4,547 samples respectively.

原始信息汇总

数据集概述

特征信息

• id: 数据类型为字符串。
• tokens: 数据类型为字符串序列。
• pos_tags: 数据类型为序列，包含以下类别标签：
  • 0: "
  • 1:
  • 2: #
  • 3: $
  • 4: (
  • 5: )
  • 6: ,
  • 7: .
  • 8: :
  • 9: ``
  • 10: CC
  • 11: CD
  • 12: DT
  • 13: EX
  • 14: FW
  • 15: IN
  • 16: JJ
  • 17: JJR
  • 18: JJS
  • 19: LS
  • 20: MD
  • 21: NN
  • 22: NNP
  • 23: NNPS
  • 24: NNS
  • 25: NN|SYM
  • 26: PDT
  • 27: POS
  • 28: PRP
  • 29: PRP$
  • 30: RB
  • 31: RBR
  • 32: RBS
  • 33: RP
  • 34: SYM
  • 35: TO
  • 36: UH
  • 37: VB
  • 38: VBD
  • 39: VBG
  • 40: VBN
  • 41: VBP
  • 42: VBZ
  • 43: WDT
  • 44: WP
  • 45: WP$
  • 46: WRB
• chunk_tags: 数据类型为序列，包含以下类别标签：
  • 0: O
  • 1: B-ADJP
  • 2: I-ADJP
  • 3: B-ADVP
  • 4: I-ADVP
  • 5: B-CONJP
  • 6: I-CONJP
  • 7: B-INTJ
  • 8: I-INTJ
  • 9: B-LST
  • 10: I-LST
  • 11: B-NP
  • 12: I-NP
  • 13: B-PP
  • 14: I-PP
  • 15: B-PRT
  • 16: I-PRT
  • 17: B-SBAR
  • 18: I-SBAR
  • 19: B-UCP
  • 20: I-UCP
  • 21: B-VP
  • 22: I-VP
• ner_tags: 数据类型为序列，包含以下类别标签：
  • 0: O
  • 1: B-PER
  • 2: I-PER
  • 3: B-ORG
  • 4: I-ORG
  • 5: B-LOC
  • 6: I-LOC
  • 7: B-MISC
  • 8: I-MISC

数据集划分

• train: 包含36368个样本，大小为2470800字节。
• validation: 包含4546个样本，大小为308970字节。
• test: 包含4547个样本，大小为308831字节。

数据集大小

• 下载大小: 900392字节
• 数据集总大小: 3088601字节

配置信息

• config_name: default
  • data_files:
    • train: data/train-*
    • validation: data/validation-*
    • test: data/test-*