MLRS/maltese_news_headlines

Maltese News Headlines数据集包含马耳他新闻文章的标题和文章内容对，主要用于从文章内容生成标题。数据来源于Korpus Malti v4.0的press_mt子集，并经过清理以过滤掉JavaScript、CSS和重复的非马耳他子标题。数据集的特征包括类别、URL、标题、文本、原始文本序列、基础URL和索引级别。数据集分为训练集、验证集和测试集，分别包含17782、3810和3811个样本。数据集的许可证为CC BY-NC-SA 4.0，适用于非商业用途。

原始信息汇总

Maltese News Headlines 数据集概述

数据集信息

特征

• category: 类型为字符串。
• url: 类型为字符串。
• title: 类型为字符串。
• text: 类型为字符串。
• text_raw: 序列类型为字符串。
• base_url: 类型为类别标签，包含以下名称：
  • 0: inewsmalta.com
  • 1: netnews.com.mt
  • 2: newsbook.com.mt
  • 3: one.com.mt
  • 4: stradarjali.com
  • 5: www.gwida.mt
  • 6: www.illum.com.mt
  • 7: www.tvm.com.mt
• index_level_0: 类型为 int64。

数据分割

• train: 包含 17782 个样本，总字节数为 63559985.55997323。
• validation: 包含 3810 个样本，总字节数为 13618465.019879542。
• test: 包含 3811 个样本，总字节数为 13622039.420147227。

数据大小

• 下载大小: 55694312 字节。
• 数据集大小: 90800490 字节。

配置

• default: 数据文件路径如下：
  • train: data/train-*
  • validation: data/validation-*
  • test: data/test-*

许可证

• cc-by-nc-sa-4.0: 该数据集遵循 Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License。

任务类别

• summarization: 用于标题生成任务。

语言

• mt: 马耳他语。

数据集名称

• Maltese News Headlines: 马耳他新闻标题数据集。

数据集规模

• 10K<n<100K: 数据集规模在 10,000 到 100,000 个样本之间。