stukenov/ekitil-corpus-parallel-kkru-v1

--- dataset_info: features: - name: doc_id dtype: string - name: sent_idx dtype: int64 - name: text dtype: string - name: source dtype: string - name: domain dtype: string - name: detected_lang dtype: string - name: lang_confidence dtype: float64 - name: num_chars dtype: int64 - name: is_kk dtype: bool splits: - name: train num_bytes: 47197488 num_examples: 135808 download_size: 20618813 dataset_size: 47197488 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息： 特征字段： - 字段名：文档ID（doc_id），数据类型：字符串型（string） - 字段名：句子索引（sent_idx），数据类型：64位整型（int64） - 字段名：文本内容（text），数据类型：字符串型（string） - 字段名：来源（source），数据类型：字符串型（string） - 字段名：领域（domain），数据类型：字符串型（string） - 字段名：检测语言（detected_lang），数据类型：字符串型（string） - 字段名：语言置信度（lang_confidence），数据类型：64位浮点型（float64） - 字段名：字符数（num_chars），数据类型：64位整型（int64） - 字段名：is_kk，数据类型：布尔型（bool） 数据集划分： - 划分名称：训练集（train），占用字节数：47197488，样本总数：135808 下载大小：20618813 数据集总大小：47197488 数据集配置： - 配置名称：默认配置（default），数据文件： - 对应划分：训练集（train），文件路径：data/train-*