cheafdevo56/InfluentialTriplets1Percent

该数据集包含三个主要特征：query、pos和neg。每个特征下包含多个子特征，如abstract（摘要）、corpus_id（语料库ID）、title（标题）等。数据集分为训练集和验证集，训练集包含45000个样本，验证集包含5000个样本。数据集的下载大小为115821068字节，总大小为192618117.0字节。

原始信息汇总

数据集概述

数据集特征

• query
  • abstract: 字符串类型
  • corpus_id: 64位整数类型
  • title: 字符串类型
• pos
  • abstract: 字符串类型
  • corpus_id: 64位整数类型
  • title: 字符串类型
• neg
  • abstract: 字符串类型
  • corpus_id: 64位整数类型
  • score: 64位整数类型
  • title: 字符串类型

数据集分割

• train
  • 字节数: 173356305.3
  • 样本数: 45000
• validation
  • 字节数: 19261811.7
  • 样本数: 5000

数据集大小

• 下载大小: 115821068
• 数据集大小: 192618117.0

配置

• default
  • train
    • 路径: data/train-*
  • validation
    • 路径: data/validation-*

搜集汇总

背景与挑战

背景概述

该数据集是一个文本三元组数据集，包含50,000行数据，格式为parquet，分为45k行训练集和5k行验证集。它由三列组成（query, pos, neg），每列存储抽象文本，适用于自然语言处理任务，如对比学习或信息检索，具有中等规模且结构化的特点。