Organika/wikisource-augmented-20240104

---
dataset_info:
features:
- name: title
dtype: string
- name: text
dtype: string
- name: summary
dtype: string
- name: glossary
struct:
- name: English American
dtype: string
- name: U.S.
dtype: string
- name: Henry David Thoreau
dtype: string
- name: Emotion
dtype: string
- name: February 1919
dtype: string
- name: The Misfortunes Of Elphin
dtype: string
- name: Atlantic
dtype: string
- name: Journalese
dtype: string
- name: Whom
dtype: string
- name: The Smithsonian Institution
dtype: string
- name: One
dtype: string
- name: Constitution
dtype: string
- name: Nathan Hale
dtype: string
- name: Schulte
dtype: string
- name: Supreme Court
dtype: string
- name: Longfellow
dtype: string
- name: Two
dtype: string
- name: The Century Magazine
dtype: string
- name: Memorandum
dtype: string
- name: Philip Dadd
dtype: string
- name: July 1915
dtype: string
- name: Prose
dtype: string
splits:
- name: train
num_bytes: 2750845
num_examples: 246
download_size: 1689486
dataset_size: 2750845
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 名称：标题（title），数据类型：字符串（string）
- 名称：文本（text），数据类型：字符串（string）
- 名称：摘要（summary），数据类型：字符串（string）
- 名称：术语表（glossary），其结构为：
- 名称：美式英语（English American），数据类型：字符串（string）
- 名称：美国（U.S.），数据类型：字符串（string）
- 名称：亨利·戴维·梭罗（Henry David Thoreau），数据类型：字符串（string）
- 名称：情感（Emotion），数据类型：字符串（string）
- 名称：1919年2月（February 1919），数据类型：字符串（string）
- 名称：《埃尔芬的不幸》（The Misfortunes Of Elphin），数据类型：字符串（string）
- 名称：《大西洋》（Atlantic），数据类型：字符串（string）
- 名称：新闻体（Journalese），数据类型：字符串（string）
- 名称：宾格代词whom（Whom），数据类型：字符串（string）
- 名称：史密森学会（The Smithsonian Institution），数据类型：字符串（string）
- 名称：一（One），数据类型：字符串（string）
- 名称：宪法（Constitution），数据类型：字符串（string）
- 名称：内森·黑尔（Nathan Hale），数据类型：字符串（string）
- 名称：舒尔特（Schulte），数据类型：字符串（string）
- 名称：最高法院（Supreme Court），数据类型：字符串（string）
- 名称：朗费罗（Longfellow），数据类型：字符串（string）
- 名称：二（Two），数据类型：字符串（string）
- 名称：《世纪杂志》（The Century Magazine），数据类型：字符串（string）
- 名称：备忘录（Memorandum），数据类型：字符串（string）
- 名称：菲利普·达德（Philip Dadd），数据类型：字符串（string）
- 名称：1915年7月（July 1915），数据类型：字符串（string）
- 名称：散文（Prose），数据类型：字符串（string）
数据拆分：
- 拆分名称：训练集（train），字节大小：2750845，样本数量：246
下载大小：1689486，数据集总大小：2750845
数据集配置：
- 配置名称：默认配置（default），数据文件：
- 拆分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

数据特征

• title: 数据类型为字符串。
• text: 数据类型为字符串。
• summary: 数据类型为字符串。
• glossary: 结构化数据，包含以下字段：
  • English American: 数据类型为字符串。
  • U.S.: 数据类型为字符串。
  • Henry David Thoreau: 数据类型为字符串。
  • Emotion: 数据类型为字符串。
  • February 1919: 数据类型为字符串。
  • The Misfortunes Of Elphin: 数据类型为字符串。
  • Atlantic: 数据类型为字符串。
  • Journalese: 数据类型为字符串。
  • Whom: 数据类型为字符串。
  • The Smithsonian Institution: 数据类型为字符串。
  • One: 数据类型为字符串。
  • Constitution: 数据类型为字符串。
  • Nathan Hale: 数据类型为字符串。
  • Schulte: 数据类型为字符串。
  • Supreme Court: 数据类型为字符串。
  • Longfellow: 数据类型为字符串。
  • Two: 数据类型为字符串。
  • The Century Magazine: 数据类型为字符串。
  • Memorandum: 数据类型为字符串。
  • Philip Dadd: 数据类型为字符串。
  • July 1915: 数据类型为字符串。
  • Prose: 数据类型为字符串。

数据分割

• train: 包含246个样本，占用2750845字节。

数据集大小

• 下载大小: 1689486字节。
• 数据集大小: 2750845字节。

配置

• default: 包含训练数据文件，路径为data/train-*。