thangvip/cti-dataset

该数据集包含句子索引、单词序列、词性标注序列和标签序列。数据集分为训练集和测试集，训练集包含13794个样本，测试集包含3449个样本。此外，文件中还提供了词性标注和标签的映射字典，用于将词性标注和标签转换为ID或从ID转换回原始标注。

原始信息汇总

数据集信息

特征

• sentence_idx: 数据类型为 int64
• words: 序列类型为 string
• POS: 序列类型为 int64
• tag: 序列类型为 int64

数据分割

• train:
  • 字节数: 13350196.989130436
  • 样本数: 13794
• test:
  • 字节数: 3338033.1604691073
  • 样本数: 3449

数据大小

• 下载大小: 2511496 字节
• 数据集大小: 16688230.149599543 字节

配置

• default:
  • train: 路径为 data/train-*
  • test: 路径为 data/test-*

字典映射

• pos_2_id: POS 标签到 ID 的映射
• id_2_pos: ID 到 POS 标签的映射
• tag_2_id: 标签到 ID 的映射
• id_2_tag: ID 到标签的映射