BASF-AI/PubChemWikiCSPC

---
dataset_info:
features:
- name: sent1
dtype: string
- name: sent2
dtype: string
- name: labels
dtype: int64
splits:
- name: test
num_bytes: 557375
num_examples: 611
download_size: 298245
dataset_size: 557375
configs:
- config_name: default
data_files:
- split: test
path: data/test-*
license: cc-by-nc-sa-4.0
language:
- en
- cs
task_categories:
- text-classification
tags:
- chemistry
- chemteb
- wikipedia
- pubchem
pretty_name: PubChem & Wikipedia English-Czech Paragraph Pair Classification
size_categories:
- n<1K
---
# PubChem & Wikipedia English-Czech Paragraph Pair Classification
This dataset is a multilingual extension of the [PubChem & Wikipedia Paragraphs Pair Classification](https://huggingface.co/datasets/BASF-AI/PubChemWikiParagraphsPC) dataset. It includes pairs of paragraphs in English and Czech (sent1 and sent2) with a binary labels column indicating whether the paragraphs describe the same entity (1) or different entities (0).

数据集信息：
特征：
- 名称：sent1，数据类型：字符串
- 名称：sent2，数据类型：字符串
- 名称：labels，数据类型：64位整数
划分集：
- 名称：测试集，字节数：557375字节，样本数量：611
下载大小：298245字节
数据集总大小：557375字节
配置：
- 配置名称：默认配置，数据文件：
- 划分集：测试集，路径：data/test-*
许可证：知识共享署名-非商业性使用-相同方式共享4.0国际许可协议（CC BY-NC-SA 4.0）
语言：英语、捷克语
任务类别：文本分类
标签：化学、chemteb、维基百科（Wikipedia）、PubChem
显示名称：PubChem与维基百科英捷段落对分类任务数据集
样本规模：小于1000条

---
# PubChem与维基百科英捷段落对分类任务数据集
本数据集为[PubChem与维基百科段落对分类数据集](https://huggingface.co/datasets/BASF-AI/PubChemWikiParagraphsPC)的多语言扩展版本。其包含英语与捷克语的段落对（sent1与sent2），并设有二分类标签列，用以标注两段是否描述同一实体（标签值为1时表示两段描述同一实体，标签值为0时表示两段描述不同实体）。