hieunguyen1053/htpl_ref

该数据集包含两个版本：default和v2。default版本包含URL、新问题、新答案和参考文献四个字段，其中参考文献是一个字符串序列。v2版本在default的基础上增加了参考文献代码和参考文献文本字段，参考文献文本字段包含引用、内容、元数据和文本等复杂结构。数据集的训练集分别包含22528和12718个样本。The dataset contains two configurations: default and v2. The default configuration includes four features: url, new_question, new_answer, and references, where references is a sequence of strings. The v2 configuration adds reference_codes and reference_texts features on top of the default, with reference_texts being a complex structure containing citation, content, meta, and text. The dataset is divided into training sets containing 22528 and 12718 samples respectively.

原始信息汇总

数据集概述

配置信息

• default 配置

  • 特征:
    • url: 字符串类型
    • new_question: 字符串类型
    • new_answer: 字符串类型
    • references: 字符串序列
  • 数据分割:
    • train:
      • 字节数: 139583792
      • 样本数: 22528
  • 下载大小: 46346993 字节
  • 数据集大小: 139583792 字节

• v2 配置

  • 特征:
    • url: 字符串类型
    • new_question: 字符串类型
    • new_answer: 字符串类型
    • references: 字符串序列
    • reference_codes: 字符串序列
    • reference_texts: 列表类型
      • citation: 字符串类型
      • content: 字符串类型
      • meta: 结构体类型
        • issuing_agency: 字符串类型
        • promulgation_date: 字符串类型
        • sign_number: 字符串类型
        • signer: 字符串类型
        • type: 字符串类型
      • text: 字符串类型
  • 数据分割:
    • train:
      • 字节数: 131221422.25461648
      • 样本数: 12718
  • 下载大小: 51941435 字节
  • 数据集大小: 131221422.25461648 字节

数据文件路径

• default 配置:

  • train 分割路径: data/train-*

• v2 配置:

  • train 分割路径: v2/train-*