KETI-AIR/kor_duorc

DuoRC是一个用于问答和文本生成任务的数据集，包含两个子集：ParaphraseRC和SelfRC。每个子集都有训练、验证和测试集。数据集的特征包括plot_id、plot、title、question_id、question、answers、data_index_by_user和no_answer。数据集的语言为韩语，许可证为MIT，规模在10K到1M之间，且为单语数据集。

DuoRC is a dataset developed for question answering and text generation tasks, consisting of two subsets: ParaphraseRC and SelfRC. Each subset contains training, validation, and test splits. The features of the dataset include plot_id, plot, title, question_id, question, answers, data_index_by_user, and no_answer. This is a monolingual Korean dataset with an MIT license, and its size ranges from 10K to 1M.

原始信息汇总

数据集概述

基本信息

• 语言: 韩语 (ko)
• 许可证: MIT
• 多语言性: 单语种 (monolingual)
• 数据集大小: 10K<n<1M
• 数据来源: 原始数据 (original)
• 任务类别:
  • 问答 (question-answering)
  • 文本生成 (text2text-generation)
• 任务ID:
  • 抽象问答 (abstractive-qa)
  • 抽取问答 (extractive-qa)
• Papers with Code ID: duorc
• 易读名称: DuoRC

数据集结构

特征

• plot_id: 字符串 (string)
• plot: 字符串 (string)
• title: 字符串 (string)
• question_id: 字符串 (string)
• question: 字符串 (string)
• answers: 字符串序列 (sequence: string)
• data_index_by_user: 整数 (int32)
• no_answer: 布尔值 (bool)

数据分割

• ParaphraseRC_train:
  • 字节数: 602587402
  • 样本数: 69524
• ParaphraseRC_validation:
  • 字节数: 128698408
  • 样本数: 15591
• ParaphraseRC_test:
  • 字节数: 140358453
  • 样本数: 15857
• SelfRC_train:
  • 字节数: 288548501
  • 样本数: 60721
• SelfRC_validation:
  • 字节数: 62171721
  • 样本数: 12961
• SelfRC_test:
  • 字节数: 59196683
  • 样本数: 12559

下载与数据集大小

• 下载大小: 67341464 字节
• 数据集大小: 1281561168 字节