davidfant/natural-questions-chunk-7

---
dataset_info:
features:
- name: id
dtype: string
- name: document
struct:
- name: html
dtype: string
- name: title
dtype: string
- name: tokens
sequence:
- name: end_byte
dtype: int64
- name: is_html
dtype: bool
- name: start_byte
dtype: int64
- name: token
dtype: string
- name: url
dtype: string
- name: question
struct:
- name: text
dtype: string
- name: tokens
sequence: string
- name: long_answer_candidates
sequence:
- name: end_byte
dtype: int64
- name: end_token
dtype: int64
- name: start_byte
dtype: int64
- name: start_token
dtype: int64
- name: top_level
dtype: bool
- name: annotations
sequence:
- name: id
dtype: string
- name: long_answer
struct:
- name: candidate_index
dtype: int64
- name: end_byte
dtype: int64
- name: end_token
dtype: int64
- name: start_byte
dtype: int64
- name: start_token
dtype: int64
- name: short_answers
sequence:
- name: end_byte
dtype: int64
- name: end_token
dtype: int64
- name: start_byte
dtype: int64
- name: start_token
dtype: int64
- name: text
dtype: string
- name: yes_no_answer
dtype:
class_label:
names:
'0': 'NO'
'1': 'YES'
splits:
- name: train
num_bytes: 4648515125
num_examples: 10000
download_size: 1806671077
dataset_size: 4648515125
---
# Dataset Card for "natural-questions-chunk-7"

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

数据集信息：
特征字段：
- 字段名：id，数据类型：字符串
- 字段名：文档，结构体类型，包含以下子字段：
- 字段名：HTML，数据类型：字符串
- 字段名：标题，数据类型：字符串
- 字段名：Token(Token)序列，序列类型，每个序列元素包含以下子字段：
- 结束字节，数据类型：64位整数
- 是否为HTML标记，数据类型：布尔值
- 起始字节，数据类型：64位整数
- Token，数据类型：字符串
- 字段名：URL，数据类型：字符串
- 字段名：问题，结构体类型，包含以下子字段：
- 字段名：文本，数据类型：字符串
- 字段名：Token序列，数据类型：字符串序列
- 字段名：长答案候选集，序列类型，每个序列元素包含以下子字段：
- 结束字节，数据类型：64位整数
- 结束Token，数据类型：64位整数
- 起始字节，数据类型：64位整数
- 起始Token，数据类型：64位整数
- 是否为顶级条目，数据类型：布尔值
- 字段名：标注信息，序列类型，每个标注项包含以下子字段：
- 字段名：id，数据类型：字符串
- 字段名：长答案，结构体类型，包含以下子字段：
- 候选索引，数据类型：64位整数
- 结束字节，数据类型：64位整数
- 结束Token，数据类型：64位整数
- 起始字节，数据类型：64位整数
- 起始Token，数据类型：64位整数
- 字段名：短答案序列，序列类型，每个序列元素包含以下子字段：
- 结束字节，数据类型：64位整数
- 结束Token，数据类型：64位整数
- 起始字节，数据类型：64位整数
- 起始Token，数据类型：64位整数
- 文本，数据类型：字符串
- 字段名：是非答案，数据类型为分类标签，其中类别0对应"NO"，类别1对应"YES"
数据集划分：
- 划分名称：训练集，对应字节大小：4648515125，样本数量：10000
下载大小：1806671077
数据集总大小：4648515125

---
# "natural-questions-chunk-7"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

特征结构

• id: 数据类型为字符串。
• document: 结构化数据，包含以下字段：
  • html: 数据类型为字符串。
  • title: 数据类型为字符串。
  • tokens: 序列化数据，包含以下字段：
    • end_byte: 数据类型为int64。
    • is_html: 数据类型为布尔值。
    • start_byte: 数据类型为int64。
    • token: 数据类型为字符串。
  • url: 数据类型为字符串。
• question: 结构化数据，包含以下字段：
  • text: 数据类型为字符串。
  • tokens: 序列化数据，数据类型为字符串。
• long_answer_candidates: 序列化数据，包含以下字段：
  • end_byte: 数据类型为int64。
  • end_token: 数据类型为int64。
  • start_byte: 数据类型为int64。
  • start_token: 数据类型为int64。
  • top_level: 数据类型为布尔值。
• annotations: 序列化数据，包含以下字段：
  • id: 数据类型为字符串。
  • long_answer: 结构化数据，包含以下字段：
    • candidate_index: 数据类型为int64。
    • end_byte: 数据类型为int64。
    • end_token: 数据类型为int64。
    • start_byte: 数据类型为int64。
    • start_token: 数据类型为int64。
  • short_answers: 序列化数据，包含以下字段：
    • end_byte: 数据类型为int64。
    • end_token: 数据类型为int64。
    • start_byte: 数据类型为int64。
    • start_token: 数据类型为int64。
    • text: 数据类型为字符串。
  • yes_no_answer: 数据类型为类别标签，包含以下选项：
    • 0: NO
    • 1: YES

数据集划分

• train: 包含10000个样本，占用4648515125字节。

数据集大小

• 下载大小: 1806671077字节。
• 数据集大小: 4648515125字节。