dominguesm/restore-punctuation-ptbr-dataset

---
dataset_info:
features:
- name: text
dtype: string
- name: tokens
sequence: string
- name: ner_tags
sequence:
class_label:
names:
'0': B-UO
'1': B-OO
'2': B-O.
'3': B-O!
'4': B-O,
'5': B-U.
'6': B-U!
'7': B-U,
'8': 'B-O:'
'9': B-O;
'10': 'B-U:'
'11': B-O'
'12': B-O-
'13': B-O?
'14': B-U?
splits:
- name: train
num_bytes: 9428751107.2
num_examples: 4767824
- name: test
num_bytes: 1178593888.4
num_examples: 595978
- name: valid
num_bytes: 1178593888.4
num_examples: 595978
download_size: 4273504320
dataset_size: 11785938884.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
- split: valid
path: data/valid-*
---

原始信息汇总

数据集信息

特征

• text: 数据类型为字符串。
• tokens: 序列类型，数据类型为字符串。
• ner_tags: 序列类型，包含类别标签，标签名称如下：
  • 0: B-UO
  • 1: B-OO
  • 2: B-O.
  • 3: B-O!
  • 4: B-O,
  • 5: B-U.
  • 6: B-U!
  • 7: B-U,
  • 8: B-O:
  • 9: B-O;
  • 10: B-U:
  • 11: B-O
  • 12: B-O-
  • 13: B-O?
  • 14: B-U?

数据集划分

• train: 包含4767824个样本，大小为9428751107.2字节。
• test: 包含595978个样本，大小为1178593888.4字节。
• valid: 包含595978个样本，大小为1178593888.4字节。

数据集大小

• 下载大小: 4273504320字节
• 数据集总大小: 11785938884.0字节

配置

• default 配置包含以下数据文件：
  • train: 路径为 data/train-*
  • test: 路径为 data/test-*
  • valid: 路径为 data/valid-*