DAHUAlanguage/categorizer-ds

---
dataset_info:
features:
- name: title_zh
dtype: string
- name: title_ch
dtype: string
- name: grade
dtype: string
- name: content
dtype: string
- name: HSK
dtype: string
- name: CEFR
dtype: string
- name: TOCFL
dtype: string
- name: tokpos
list:
- name: HSK
dtype: string
- name: TOCFL
dtype: string
- name: pinyin_ch
dtype: string
- name: pinyin_zh
dtype: string
- name: pos
dtype: string
- name: title_ch
dtype: string
- name: title_zh
dtype: string
- name: translation
dtype: string
- name: vocabularyId
dtype: string
- name: zhuyin
dtype: string
splits:
- name: train
num_bytes: 7908054
num_examples: 332
download_size: 1567962
dataset_size: 7908054
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• title_zh：中文标题，数据类型为字符串。
• title_ch：另一种中文标题，数据类型为字符串。
• grade：年级，数据类型为字符串。
• content：内容，数据类型为字符串。
• HSK：汉语水平考试等级，数据类型为字符串。
• CEFR：欧洲共同参考框架等级，数据类型为字符串。
• TOCFL：台湾华语文能力测验等级，数据类型为字符串。
• tokpos：词汇位置列表，包含以下子特征：
  • HSK：汉语水平考试等级，数据类型为字符串。
  • TOCFL：台湾华语文能力测验等级，数据类型为字符串。
  • pinyin_ch：中文拼音，数据类型为字符串。
  • pinyin_zh：另一种中文拼音，数据类型为字符串。
  • pos：词性，数据类型为字符串。
  • title_ch：另一种中文标题，数据类型为字符串。
  • title_zh：中文标题，数据类型为字符串。
  • translation：翻译，数据类型为字符串。
  • vocabularyId：词汇ID，数据类型为字符串。
  • zhuyin：注音符号，数据类型为字符串。

数据集分割

• train：训练集，包含332个示例，总大小为7908054字节。

数据集大小

• 下载大小：1567962字节。
• 数据集总大小：7908054字节。

配置

• config_name：默认配置。
• data_files：训练数据文件路径为data/train-*。