316usman/thematic5a_rr

---
dataset_info:
features:
- name: text
dtype: string
- name: document_url
dtype: string
- name: source_url
dtype: string
- name: num_tokens
dtype: int64
splits:
- name: train
num_bytes: 91978061.0
num_examples: 144245
download_size: 33071238
dataset_size: 91978061.0
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 字段名：文本（text），数据类型为字符串（string）
- 字段名：文档链接（document_url），数据类型为字符串（string）
- 字段名：来源链接（source_url），数据类型为字符串（string）
- 字段名：词元 (Token)数量（num_tokens），数据类型为64位整型（int64）
数据划分：
- 划分名称：训练集（train），占用字节数：91978061.0，样本数量：144245
下载大小：33071238，数据集大小：91978061.0
配置项：
- 配置名称：默认（default），数据文件包含：
- 对应数据划分：训练集（train），存储路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• text：文本类型，数据类型为字符串。
• document_url：文档URL，数据类型为字符串。
• source_url：源URL，数据类型为字符串。
• num_tokens：令牌数量，数据类型为整数64位。

数据集分割

• train：训练集，包含144,245个示例，总字节数为91,978,061.0。

数据集大小

• 下载大小：33,071,238字节。
• 数据集大小：91,978,061.0字节。

配置信息

• 配置名称：default
• 数据文件：
  • 分割：train
  • 路径：data/train-*