Farjfar/SGS-worldpolitics

该数据集包含多个字段，如清理后的文本内容（body_cleaned）、唯一标识符（id）、子论坛名称（subreddit）、年份（year）、多个注释字段（annotation1、annotation2、gold_annotation、bio_annotation）、序列标识符（ids）以及分词后的文本内容（tokenized_body_cleaned）。数据集分为训练集、测试集和验证集，分别包含1208、397和401个样本。数据集可能用于文本分析、注释任务或自然语言处理相关的研究。

原始信息汇总

数据集概述

数据集特征

• body_cleaned: 数据类型为字符串。
• id: 数据类型为字符串。
• subreddit: 数据类型为字符串。
• year: 数据类型为整数。
• annotation1: 数据类型为字符串。
• annotation2: 数据类型为字符串。
• gold_annotation: 数据类型为字符串。
• bio_annotation: 数据类型为序列字符串。
• ids: 数据类型为序列整数。
• tokenized_body_cleaned: 数据类型为序列字符串。

数据集分割

• 训练集: 大小为3023606字节，包含1208个样本。
• 测试集: 大小为906745字节，包含397个样本。
• 验证集: 大小为941488字节，包含401个样本。

数据集大小

• 下载大小: 1909924字节。
• 数据集总大小: 4871839字节。

配置文件

• 默认配置: 包含训练、测试和验证集的路径。
  • 训练集路径: data/train-*
  • 测试集路径: data/test-*
  • 验证集路径: data/validation-*