316usman/thematic4d-pw-embed-part4

--- dataset_info: features: - name: text dtype: string - name: country dtype: string - name: document_url dtype: string - name: source_url dtype: string - name: num_tokens dtype: int64 splits: - name: train num_bytes: 393512332 num_examples: 616325 download_size: 149778722 dataset_size: 393512332 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息： 特征字段： - text：数据类型为字符串 - country：数据类型为字符串 - document_url：数据类型为字符串 - source_url：数据类型为字符串 - num_tokens：数据类型为64位整数，用于记录Token（Token）数量 数据集拆分： - 训练集（train）：占用字节数为393512332，样本总数为616325 下载总大小为149778722，数据集总占用大小为393512332 配置项： - 配置名称为default的配置：数据文件对应训练集拆分，文件路径为data/train-*

原始信息汇总

数据集概述

数据集特征

• text：字符串类型
• country：字符串类型
• document_url：字符串类型
• source_url：字符串类型
• num_tokens：整数类型（int64）

数据集划分

• 训练集（train）：
  • 数据量：616,325个样本
  • 大小：393,512,332字节

数据集大小

• 下载大小：149,778,722字节
• 数据集总大小：393,512,332字节