not-lain/wikipedia-small-3000-embedded

该数据集是从wikimedia/wikipedia数据集中提取的一个子集，包含3001个样本。每个样本包含id、url、title、text和embedding五个特征，其中embedding是通过SentenceTransformer模型生成的文本嵌入。数据集主要用于文本生成和填充掩码任务，语言为英语，数据量在1K到10K之间。

原始信息汇总

数据集概述

数据集信息

• 特征（Features）:

  • id: 数据类型为字符串（string）。
  • url: 数据类型为字符串（string）。
  • title: 数据类型为字符串（string）。
  • text: 数据类型为字符串（string）。
  • embedding: 数据类型为浮点数序列（sequence: float32）。

• 分割（Splits）:

  • train: 包含3001个样本，总大小为73850973字节。

• 下载大小（Download Size）: 49787145字节。

• 数据集大小（Dataset Size）: 73850973字节。

配置（Configs）

• 默认配置（config_name: default）:
  • train 数据文件路径: data/train-*

许可证（License）

• 许可证类型: gfdl

任务类别（Task Categories）

• 任务类型:
  • 文本生成（text-generation）
  • 填空（fill-mask）

语言（Language）

• 支持语言: 英语（en）

大小类别（Size Categories）

• 数据集大小范围: 1K<n<10K