--- dataset_info: features: - name: text dtype: string splits: - name: 2006_2008_train num_bytes: 100484371 num_examples: 120937 - name: 2006_2008_test num_bytes: 10050474

Hugging Face2023-12-04 更新170

skymizer/fineweb-edu-dedup-45B-4-of-4

文本数据

教育研究

该数据集包含文本内容、唯一标识符和元数据等信息。文本内容是数据集的主要部分，每个文本都有一个唯一标识符。元数据提供了关于文本的额外信息，如来源URL、创建日期、文件路径、文本语言及其评分、token数量、分数和整型分数。数据集分为训练集，其大小为55.93GB，共有约1084.21万个示例。数据集的下载大小为32.43GB。

Hugging Face2025-01-11 更新120

FalconX80/bhoomillama-5.5k

文本数据

该数据集包含5500个样本，每个样本包含Prompt、Answer和text三个字段，数据类型均为字符串。数据集分为一个训练集，大小为2206576字节。

Hugging Face2024-07-08 更新180

VALUABLY-net/iab-taxonomy-multilang-content

广告分类

文本数据

这个数据集包含用于IAB（互动广告局）分类的多语言文本数据。数据文件（train.csv，val.csv）是通过处理、清洗和重构来自Kaggle上原始发布的IAB-Taxonomy URL Content Dataset生成的。伴随的处理脚本和JSON映射文件提供了数据准备和模型训练工作流程的支持。数据集使用IAB第二层类别（共392个标签）进行多类分类。

Hugging Face2025-11-02 更新150

chosummingcuhk/enwiki-2026-05-01-text

资源简介：

相关数据集