stulcrad/CNEC2_0_nested

该数据集包含捷克语（cs）的文本数据，主要用于命名实体识别（NER）任务。数据集的特征包括tokens（文本标记）、ner_tags（命名实体标签）、langs（语言信息）和spans（文本跨度）。数据集分为训练集、验证集和测试集，分别包含7193、900和899个样本。数据集的下载大小为1278410字节，总大小为5621021字节。标签名称列表提供了用于NER任务的多种实体类型标签。

原始信息汇总

数据集概述

数据集特征

• tokens: 字符串序列
• ner_tags: 整数序列，标签名称包括：O, B-P, I-P, B-T, I-T, B-A, I-A, B-C, I-C, B-ah, I-ah, B-at, I-at, B-az, I-az, B-g_, I-g_, B-gc, I-gc, B-gh, I-gh, B-gl, I-gl, B-gq, I-gq, B-gr, I-gr, B-gs, I-gs, B-gt, I-gt, B-gu, I-gu, B-i_, I-i_, B-ia, I-ia, B-ic, I-ic, B-if, I-if, B-io, I-io, B-me, I-me, B-mi, I-mi, B-mn, I-mn, B-ms, I-ms, B-n_, I-n_, B-na, I-na, B-nb, I-nb, B-nc, I-nc, B-ni, I-ni, B-no, I-no, B-ns, I-ns, B-o_, I-o_, B-oa, I-oa, B-oe, I-oe, B-om, I-om, B-op, I-op, B-or, I-or, B-p_, I-p_, B-pc, I-pc, B-pd, I-pd, B-pf, I-pf, B-pm, I-pm, B-pp, I-pp, B-ps, I-ps, B-td, I-td, B-tf, I-tf, B-th, I-th, B-tm, I-tm, B-ty, I-ty
• langs: 字符串序列
• spans: 字符串序列

数据集划分

• train: 7193个样本，4492448字节
• validation: 900个样本，562567字节
• test: 899个样本，566006字节

数据集大小

• 下载大小: 1278410字节
• 数据集大小: 5621021字节

配置信息

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