rvv-karma/English-Hinglish-TOP

English Hinglish数据集是一个多语言翻译数据集，包含英语和印地语的混合语言（Hinglish）。该数据集来源于Hinglish-TOP Dataset，包含训练、验证和测试三个部分。数据集中包含人类生成和合成生成的数据，具体分布在训练、验证和测试集中有所不同。数据集的特征包括英语文本、Hinglish文本、解析后的英语文本、解析后的Hinglish文本、领域信息和生成方式。

原始信息汇总

English Hinglish 数据集概述

基本信息

• 语言: 英语 (en), 印地语-英语混合语 (hi)
• 许可证: Apache 2.0
• 多语言性: 多语言, 翻译
• 大小类别: 10K<n<100K
• 任务类别: 翻译, 文本生成
• 美观名称: English Hinglish

数据集信息

特征

• en: 字符串类型
• hi_en: 字符串类型
• en_parse: 字符串类型
• hi_en_parse: 字符串类型
• domain: 字符串类型
• generated_by: 字符串类型

分割

• 训练集 (train)
  • 字节数: 56585917
  • 样本数: 176596
• 验证集 (val)
  • 字节数: 423297
  • 样本数: 1390
• 测试集 (test)
  • 字节数: 2056405
  • 样本数: 6513

大小

• 下载大小: 26490229 字节
• 数据集大小: 59065619 字节

配置

• 默认配置 (default)
  • 数据文件路径:
    • 训练集: data/train-*
    • 验证集: data/val-*
    • 测试集: data/test-*

数据分布

• 训练集
  • 人工生成: 6513
  • 合成生成: 170083
• 验证集
  • 人工生成: 1390
  • 合成生成: 0
• 测试集
  • 人工生成: 6513
  • 合成生成: 0