NyanNyanovich/nyan_documents

Nyan documents数据集是从2022年3月到2023年12月期间从[НЯН](https://t.me/nyannews) Telegram频道抓取的文档。该数据集包括来自100多个不同Telegram新闻频道的文档。

The Nyan documents dataset consists of documents scraped from the [НЯН](https://t.me/nyannews) Telegram channel between March 2022 and December 2023. This dataset includes documents from over 100 distinct Telegram news channels.

原始信息汇总

数据集概述

数据集信息

特征

• url: 字符串类型
• channel_id: 字符串类型
• post_id: 64位整数类型
• views: 64位整数类型
• pub_time: 64位整数类型
• text: 字符串类型
• fetch_time: 64位整数类型
• images: 字符串序列
• links: 字符串序列
• videos: 字符串序列
• reply_to: 字符串类型
• forward_from: 字符串类型
• channel_title: 字符串类型
• has_obscene: 布尔类型
• patched_text: 字符串类型
• groups: 结构体类型，包含以下字段：
  • economy: 字符串类型
  • main: 字符串类型
  • tech: 字符串类型
• issue: 字符串类型
• language: 字符串类型

数据分割

• train: 包含3,508,000,056字节，1,672,028个样本

数据集大小

• 下载大小: 1,827,333,867字节
• 数据集大小: 3,508,000,056字节

许可证

• cc-by-4.0

任务类别

• text-generation

语言

• ru

数据集名称

• Nyan Documents

数据集规模

• 1M<n<10M