coref-data/preco_indiscrim_parsed

--- dataset_info: features: - name: id dtype: string - name: sentences list: - name: id dtype: int64 - name: misc struct: - name: parse_tree dtype: string - name: speaker dtype: 'null' - name: text dtype: string - name: tokens list: - name: deprel dtype: string - name: end_char dtype: int64 - name: feats dtype: string - name: head dtype: int64 - name: id dtype: int64 - name: lemma dtype: string - name: misc dtype: string - name: start_char dtype: int64 - name: text dtype: string - name: upos dtype: string - name: xpos dtype: string - name: text dtype: string - name: coref_chains sequence: sequence: sequence: int64 - name: genre dtype: string - name: meta_data struct: - name: comment dtype: string splits: - name: validation num_bytes: 21569575 num_examples: 500 - name: test num_bytes: 21470758 num_examples: 500 download_size: 8838291 dataset_size: 43040333 configs: - config_name: default data_files: - split: validation path: data/validation-* - split: test path: data/test-* ---数据集信息： 特征字段： 1. id：数据类型（dtype）为字符串 2. sentences：语句列表类型（list），其成员包含以下子字段： - id：数据类型为int64（64位整数） - misc：附加信息结构体（struct），包含子字段parse_tree，数据类型为字符串 - speaker：数据类型为空（null） - text：文本内容，数据类型为字符串 - tokens：Token列表（list），其成员包含以下子字段： - deprel：依存关系标签，数据类型为字符串 - end_char：结束字符位置，数据类型为int64 - feats：特征标注，数据类型为字符串 - head：依存句法中心节点ID，数据类型为int64 - id：数据类型为int64 - lemma：词元还原结果，数据类型为字符串 - misc：附加信息，数据类型为字符串 - start_char：起始字符位置，数据类型为int64 - text：Token文本内容，数据类型为字符串 - upos：通用词性标签（Universal Part-of-Speech），数据类型为字符串 - xpos：细粒度词性标签，数据类型为字符串 3. text：整体文本内容，数据类型为字符串 4. coref_chains：共指链（coref_chains），为三层序列类型，成员数据类型为int64 5. genre：文本体裁，数据类型为字符串 6. meta_data：元数据（meta_data），结构体类型（struct），包含子字段comment，数据类型为字符串 数据集划分： - 验证集（validation）：占用字节数为21569575，包含500个样本 - 测试集（test）：占用字节数为21470758，包含500个样本 整体下载大小为8838291，数据集总存储大小为43040333。 配置信息： - 默认配置（default）：对应数据文件路径如下： - 验证集：路径为data/validation-* - 测试集：路径为data/test-*

原始信息汇总

数据集概述

数据特征

• id: 数据类型为字符串。
• sentences: 列表类型，包含以下子特征：
  • id: 数据类型为整数64位。
  • misc: 结构类型，包含子特征：
    • parse_tree: 数据类型为字符串。
  • speaker: 数据类型为空。
  • text: 数据类型为字符串。
  • tokens: 列表类型，包含以下子特征：
    • deprel: 数据类型为字符串。
    • end_char: 数据类型为整数64位。
    • feats: 数据类型为字符串。
    • head: 数据类型为整数64位。
    • id: 数据类型为整数64位。
    • lemma: 数据类型为字符串。
    • misc: 数据类型为字符串。
    • start_char: 数据类型为整数64位。
    • text: 数据类型为字符串。
    • upos: 数据类型为字符串。
    • xpos: 数据类型为字符串。
• text: 数据类型为字符串。
• coref_chains: 序列类型，包含多层嵌套的整数64位序列。
• genre: 数据类型为字符串。
• meta_data: 结构类型，包含子特征：
  • comment: 数据类型为字符串。

数据分割

• validation: 包含500个样本，数据大小为21569575字节。
• test: 包含500个样本，数据大小为21470758字节。

数据集大小

• 下载大小: 8838291字节。
• 数据集大小: 43040333字节。

配置

• default: 包含以下数据文件：
  • validation: 路径为data/validation-*。
  • test: 路径为data/test-*。