K-Monitor/kmdb_base

K-Monitor sajtóadatbázis数据集是一个包含匈牙利语新闻文章的数据集，数据量在10K到100K之间。数据集包含多个特征，如新闻ID、标题、描述、文本、来源URL、存档URL、K-Monitor数据库URL、报纸名称、类别、文件、发布时间、人物、机构、地点和其他标签。数据集主要用于新闻分析和文本处理任务。

The K-Monitor sajtóadatbázis dataset is a collection of Hungarian-language news articles, containing between 10,000 and 100,000 items. It includes multiple features such as news ID, title, description, full text, source URL, archive URL, K-Monitor database URL, newspaper name, category, file, publication time, persons, organizations, locations, and other tags. This dataset is primarily utilized for news analysis and text processing tasks.

原始信息汇总

K-Monitor sajtóadatbázis 数据集概述

数据集信息

• 语言: 匈牙利语
• 数据量: 10K<n<100K
• 数据集名称: K-Monitor sajtóadatbázis

数据集特征

• news_id: 新闻的K-Monitor标识符
• title: 新闻门户提供的标题（可能不完整，参见kmonitor_title）
• source_url: 指向新闻门户的文章URL
• kmdb_url: 指向K-Monitor数据库中文章记录的URL
• newspaper: 新闻门户的名称
• pub_time: 发布时间
• authors: 文章作者（可能不准确或缺失）
• text: 文章正文，已清理（不能为空，但可能不完整）
• meta_keywords: 新闻门户的标签（不一定总是存在或有意义）
• meta_description: 新闻门户提供的简介
• url: 文章URL，已规范化
• kmonitor_title: 同标题
• publish_date: 文章发布日期，精度不一，有时可能无意义
• kmonitor_description: K-Monitor数据库中存储的描述（经常为空，有时与正常描述一致）
• kmonitor_places: K-Monitor志愿者标记的地点
• kmonitor_persons: K-Monitor志愿者标记的人物
• kmonitor_others: K-Monitor志愿者标记的其他关键词（不一定在文章中出现）
• kmonitor_institutions: K-Monitor志愿者标记的机构

数据集分割

• train: 训练集
  • 字节数: 243123503.81640086
  • 样本数: 46914

数据集大小

• 下载大小: 140573780
• 数据集大小: 243123503.81640086

配置

• config_name: default
  • 数据文件:
    • split: train
    • path: data/train-*

搜集汇总

背景与挑战

背景概述

kmdb_base是一个匈牙利语新闻文本数据集，包含63,855条新闻记录，涵盖多种新闻类别和实体信息，适用于文本分析和数据挖掘任务。数据集以parquet格式存储，总大小为171 MB。