andersonbcdefg/synthetic_sts_gpt35_dedup_with_margins

---
dataset_info:
features:
- name: query
dtype: string
- name: pos
dtype: string
- name: neg
dtype: string
- name: source
dtype: string
- name: qp_sim
dtype: float32
- name: qn_sim
dtype: float32
- name: pn_sim
dtype: float32
- name: margin
dtype: float64
splits:
- name: train
num_bytes: 91839557.12533118
num_examples: 100934
download_size: 106279825
dataset_size: 91839557.12533118
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

数据集信息：
特征项：
- 字段名：查询（query），数据类型：字符串（string）
- 字段名：正样本（pos），数据类型：字符串（string）
- 字段名：负样本（neg），数据类型：字符串（string）
- 字段名：来源（source），数据类型：字符串（string）
- 字段名：查询与正样本相似度（qp_sim），数据类型：32位浮点型（float32）
- 字段名：查询与负样本相似度（qn_sim），数据类型：32位浮点型（float32）
- 字段名：正样本与负样本相似度（pn_sim），数据类型：32位浮点型（float32）
- 字段名：边际阈值（margin），数据类型：64位浮点型（float64）
数据集划分：
- 划分名称：训练集（train），字节占用量：91839557.12533118，样本总数：100934
下载大小：106279825
数据集总大小：91839557.12533118
数据集配置：
- 配置名称：默认配置（default），数据文件：
- 对应划分：训练集（train），文件路径：data/train-*

原始信息汇总

数据集概述

特征信息

• query: 数据类型为字符串。
• pos: 数据类型为字符串。
• neg: 数据类型为字符串。
• source: 数据类型为字符串。
• qp_sim: 数据类型为浮点数（float32）。
• qn_sim: 数据类型为浮点数（float32）。
• pn_sim: 数据类型为浮点数（float32）。
• margin: 数据类型为浮点数（float64）。

数据分割

• train: 包含100934个样本，占用91839557.12533118字节。

数据集大小

• 下载大小: 106279825字节。
• 实际大小: 91839557.12533118字节。

配置信息

• default: 包含训练数据文件，路径为data/train-*。