maciej-ogrodniczuk/polsum

Polish Summaries Corpus数据集包含大量新闻文章的手动摘要，每个文本都有多个独立创建的摘要，旨在克服摘要算法评估中的注释者偏差问题。数据集的结构包括新闻文章的标题、作者、正文和多个独立创建的摘要。数据集的语言为波兰语，许可证为CC-BY-3.0。

原始信息汇总

数据集概述：波兰摘要语料库

基本信息

• 名称: 波兰摘要语料库（Polish Summaries Corpus）
• 语言: 波兰语（pl）
• 许可证: CC-BY-3.0
• 多语言性: 单语种（monolingual）
• 数据集大小: 小于1千条记录（n<1K）
• 源数据: 原始数据（original）
• 任务类别: 摘要（summarization）
• 任务ID: 新闻文章摘要（news-articles-summarization）

数据集结构

数据实例

每个数据实例包含以下字段：

• id: 字符串类型，记录ID
• date: 字符串类型，日期
• title: 字符串类型，标题
• section: 字符串类型，文章部分
• authors: 字符串类型，作者
• body: 字符串类型，文章内容
• summaries: 序列类型，包含摘要信息，每个摘要包含以下字段：
  • ratio: 整数类型，比例
  • type: 字符串类型，类型
  • author: 字符串类型，作者
  • body: 字符串类型，摘要内容
  • spans: 序列类型，包含以下字段：
    • start: 整数类型，开始位置
    • end: 整数类型，结束位置
    • span_text: 字符串类型，文本范围

数据分割

• 训练集（train）:
  • 字节数: 34787575
  • 示例数: 569

数据集创建

• 注释创建者: 专家生成
• 语言创建者: 专家生成

数据集使用注意事项

• 数据集用于新闻文章摘要任务，适用于研究和开发摘要算法。
• 使用时需遵守CC-BY-3.0许可证。