316usman/thematic2a_rr

---
dataset_info:
features:
- name: text
dtype: string
- name: document_url
dtype: string
- name: source_url
dtype: string
- name: num_tokens
dtype: int64
splits:
- name: train
num_bytes: 53695426.810901806
num_examples: 84124
download_size: 18478592
dataset_size: 53695426.810901806
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征字段：
- 名称：text，数据类型：字符串
- 名称：文档链接（document_url），数据类型：字符串
- 名称：来源链接（source_url），数据类型：字符串
- 名称：Token数量（num_tokens），数据类型：64位整型（int64）
数据集划分：
- 名称：训练集（train），数据字节数：53695426.810901806，样本数量：84124
下载大小：18478592 字节
数据集总大小：53695426.810901806 字节
配置项：
- 配置名称：默认配置（default），数据文件：
- 训练集对应路径为 data/train-*

原始信息汇总

数据集概述

数据集特征

• text：文本类型，数据类型为字符串。
• document_url：文档URL，数据类型为字符串。
• source_url：源URL，数据类型为字符串。
• num_tokens：标记数量，数据类型为整数64位。

数据集分割

• train：训练集，包含84124个样本，总字节数为53695426.810901806。

数据集大小

• 下载大小：18478592字节。
• 数据集大小：53695426.810901806字节。

配置信息

• config_name：default
• data_files：
  • split：train
  • path：data/train-*