This assessment evaluates 34 internet activity data sources for use in disease surveillance. Our goals are to (a) understand the available data on internet usage and activity well enough to (b) identi

DataCite Commons2020-09-02 更新60

KathirKs/CC-MAIN-2015-18_row_wise_20240821_122421

互联网数据

网页内容

该数据集包含文本数据、唯一标识符和元数据。文本数据以字符串序列的形式存储，元数据包括数据转储、文件路径、ID和URL等信息。数据集分为一个训练集，包含1,475,068个样本，总大小为18,853,128,443字节。数据集的下载大小为7,096,689,934字节。数据文件位于data/train-*路径下。

Hugging Face2024-08-21 更新120

KathirKs/CC-MAIN-2016-18_row_wise_20240904_113509

网页数据

互联网数据

该数据集包含文本、UUID和元数据三个主要特征。元数据进一步细分为dump、file_path、id和url四个字段。数据集分为训练集，包含1496763个示例，总大小为19248122590字节。

Hugging Face2024-09-04 更新70