denizzhansahin/100K-TR-News

该数据集包含来自土耳其多个新闻网站的新闻标题、摘要、链接和内容。数据采集使用了Google Colab和Selenium工具。数据集的任务类别包括文本分类和文本生成，语言为土耳其语，规模在10K到100K之间。

原始信息汇总

数据集概述

数据集名称

• 100K TR News Dataset

数据集内容

• 包含新闻标题、新闻摘要、新闻类别、新闻链接和新闻内容。

数据集来源

• 数据来源于土耳其的多个新闻网站，包括随机选取的新闻类别内容。

数据集特征

• Unnamed: 0：索引，数据类型为int64。
• Baslik（标题）：数据类型为string。
• Ozet（摘要）：数据类型为string。
• Kategori（类别）：数据类型为string。
• Link（链接）：数据类型为string。
• Icerik（内容）：数据类型为string。

数据集大小

• 数据集总大小：261,902,927字节。
• 下载大小：156,141,339字节。

数据集分割

• 训练集：包含79,669个样本，总字节数为183,330,207.98。
• 验证集：包含34,145个样本，总字节数为78,572,719.02。

数据集任务类别

• 文本分类
• 文本生成

数据集语言

• 土耳其语（tr）

数据集大小类别

• 10,000 < n < 100,000

数据集配置

• 默认配置（default）
  • 训练数据路径：data/train-*
  • 验证数据路径：data/validation-*