Farjfar/SGS-ukpolitics-train

--- dataset_info: features: - name: body_cleaned dtype: string - name: id dtype: string - name: subreddit dtype: string - name: year dtype: int64 - name: annotation1 dtype: string - name: annotation2 dtype: string - name: gold_annotation dtype: string - name: bio_annotation sequence: string - name: ids sequence: int64 - name: tokenized_body_cleaned sequence: string - name: continuation dtype: string - name: first_two_sentences dtype: string - name: continuation_tokenized sequence: string - name: tokenized_length dtype: int64 - name: ids_continuation sequence: int64 splits: - name: train num_bytes: 2564526 num_examples: 401 download_size: 900565 dataset_size: 2564526 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息： 特征字段： - 字段名：清理后正文（body_cleaned），数据类型：字符串类型 - 字段名：样本ID（id），数据类型：字符串类型 - 字段名：Reddit子版块（subreddit），数据类型：字符串类型 - 字段名：发布年份（year），数据类型：64位整数类型 - 字段名：标注1（annotation1），数据类型：字符串类型 - 字段名：标注2（annotation2），数据类型：字符串类型 - 字段名：金标准标注（gold_annotation），数据类型：字符串类型 - 字段名：BIO格式标注（bio_annotation），数据类型：字符串序列 - 字段名：Token ID序列（ids），数据类型：64位整数序列 - 字段名：清理后正文的Token化结果（tokenized_body_cleaned），数据类型：字符串序列 - 字段名：续文（continuation），数据类型：字符串类型 - 字段名：前两句文本（first_two_sentences），数据类型：字符串类型 - 字段名：续文的Token化结果（continuation_tokenized），数据类型：字符串序列 - 字段名：Token化长度（tokenized_length），数据类型：64位整数类型 - 字段名：续文Token ID序列（ids_continuation），数据类型：64位整数序列 数据集划分： - 划分名称：训练集（train），字节占用量：2564526，样本数量：401 下载大小：900565，数据集总大小：2564526 配置项： - 配置名称：默认配置（default），数据文件： - 划分：训练集，路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• body_cleaned: 字符串类型
• id: 字符串类型
• subreddit: 字符串类型
• year: 整数类型
• annotation1: 字符串类型
• annotation2: 字符串类型
• gold_annotation: 字符串类型
• bio_annotation: 字符串序列类型
• ids: 整数序列类型
• tokenized_body_cleaned: 字符串序列类型
• continuation: 字符串类型
• first_two_sentences: 字符串类型
• continuation_tokenized: 字符串序列类型
• tokenized_length: 整数类型
• ids_continuation: 整数序列类型

数据集分割

• 训练集:
  • 字节数: 2564526
  • 示例数: 401

数据集大小

• 下载大小: 900565字节
• 数据集大小: 2564526字节

配置

• 默认配置:
  • 数据文件路径: data/train-*