anonymousparrot01/SubmissionData

该数据集包含从393,542家公司的1,788,413个网页中提取的文本内容。这些公司包括小型、中型和大型国际企业，包括上市公司。数据集提供了相应的标准行业分类（SIC）标签`sic4`。文本内容包括2014年至2021年期间网站上的所有文本信息，并且仅包含通过FastText语言检测API筛选出的英文文本。数据集的结构包括实例标识符`id`、公司标识符`cid`、网站文本`text`和4位SIC代码`sic4`。

原始信息汇总

数据集概述：CompanyWeb

数据集描述

数据集总结

• 内容来源：1,788,413个公司网页的文本内容，涉及393,542家公司。
• 公司类型：包括小型、中型和大型国际企业，包括上市公司。
• 附加信息：提供标准行业分类（SIC）标签sic4。
• 文本时间范围：2014年至2021年。
• 语言过滤：仅包含英语文本，通过FastText语言检测API进行筛选。

支持的任务和排行榜

• 信息待补充

语言

• 语言：英语（en）

数据集结构

数据实例

• 实例数量：1,789,413
• 公司数量：393,542
• 时间范围：2014-2021

数据字段

• id：实例标识符（字符串）
• cid：公司标识符（字符串）
• text：网站文本（字符串）
• sic4：4位SIC（字符串）

数据分割

• 信息待补充

数据集创建

数据收集和规范化

• 信息待补充

源语言生产者

• 信息待补充

注释

• 注释过程：信息待补充
• 注释者：信息待补充

个人和敏感信息

• 信息待补充

使用数据的考虑

数据集的社会影响

• 信息待补充

偏见的讨论

• 信息待补充

其他已知限制

• 信息待补充

附加信息

数据集管理员

• 信息待补充

许可信息

• 许可：cc-by-nc-sa-4.0

引用信息

bibtex @misc{title_year, title={TITLE}, author={AUTHORS}, year={YEAR}, }

贡献

• 信息待补充