slone/bak_rus_eng_2M2023_scored

---
dataset_info:
features:
- name: idx
dtype: int64
- name: ba
dtype: string
- name: ru
dtype: string
- name: source
dtype: string
- name: cosine_sim
dtype: float64
- name: cross_encoder_sim
dtype: float64
- name: joint_sim
dtype: float64
- name: ru_len
dtype: int64
- name: en
dtype: string
- name: en_ru_sim
dtype: float64
splits:
- name: train
num_bytes: 1070778392
num_examples: 2228224
download_size: 620446960
dataset_size: 1070778392
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---
# Dataset Card for "bak_rus_eng_2M2023_scored"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

dataset_info:
特征项:
- 字段名: idx, 数据类型: int64
- 字段名: ba（波斯尼亚语，Bosnian）, 数据类型: 字符串（string）
- 字段名: ru（俄语，Russian）, 数据类型: 字符串（string）
- 字段名: source, 数据类型: 字符串（string）
- 字段名: cosine_sim（余弦相似度，cosine similarity）, 数据类型: float64
- 字段名: cross_encoder_sim（交叉编码器相似度，cross-encoder similarity）, 数据类型: float64
- 字段名: joint_sim（联合相似度，joint similarity）, 数据类型: float64
- 字段名: ru_len（俄语语料长度）, 数据类型: int64
- 字段名: en（英语，English）, 数据类型: 字符串（string）
- 字段名: en_ru_sim（英俄语料相似度）, 数据类型: float64
数据集划分:
- 划分集名称: train（训练集）, 字节数: 1070778392, 样本数: 2228224
下载大小: 620446960
数据集存储大小: 1070778392
配置项:
- 配置名称: default（默认配置）, 数据文件:
- 划分集: train（训练集）, 路径: data/train-*
---
# 「bak_rus_eng_2M2023_scored」数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集信息

特征

• idx: 整数类型 (int64)
• ba: 字符串类型 (string)
• ru: 字符串类型 (string)
• source: 字符串类型 (string)
• cosine_sim: 浮点数类型 (float64)
• cross_encoder_sim: 浮点数类型 (float64)
• joint_sim: 浮点数类型 (float64)
• ru_len: 整数类型 (int64)
• en: 字符串类型 (string)
• en_ru_sim: 浮点数类型 (float64)

分割

• train: 包含 2,228,224 个样本，占用 1,070,778,392 字节

大小

• 下载大小: 620,446,960 字节
• 数据集大小: 1,070,778,392 字节

配置

• default: 包含训练数据文件，路径为 data/train-*