lecslab/glosslm-corpus

---
dataset_info:
features:
- name: transcription
dtype: string
- name: glosses
dtype: string
- name: translation
dtype: string
- name: glottocode
dtype: string
- name: id
dtype: string
- name: source
dtype: string
- name: metalang_glottocode
dtype: string
- name: is_segmented
dtype: string
- name: language
dtype: string
- name: metalang
dtype: string
splits:
- name: train
num_bytes: 101534040
num_examples: 451108
download_size: 31412614
dataset_size: 101534040
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
license: apache-2.0
task_categories:
- text2text-generation
pretty_name: GlossLM Corpus
---

数据集信息：
特征字段：
- 名称：转写文本（transcription），数据类型：字符串
- 名称：语素释义（glosses），数据类型：字符串
- 名称：译文（translation），数据类型：字符串
- 名称：格洛托语码（glottocode），数据类型：字符串
- 名称：数据ID（id），数据类型：字符串
- 名称：数据来源（source），数据类型：字符串
- 名称：元语言格洛托语码（metalang_glottocode），数据类型：字符串
- 名称：是否已切分（is_segmented），数据类型：字符串
- 名称：对应语言（language），数据类型：字符串
- 名称：元语言（metalang），数据类型：字符串
数据集划分：
- 划分名称：训练集（train），字节大小：101534040，样本数量：451108
下载大小：31412614
数据集总大小：101534040
配置项：
- 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-*
开源许可证：Apache-2.0
任务类别：
- 文本到文本生成（text2text-generation）
展示名称：GlossLM语料库（GlossLM Corpus）

原始信息汇总

数据集概述

数据集特征

• transcription: 数据类型为字符串
• glosses: 数据类型为字符串
• translation: 数据类型为字符串
• glottocode: 数据类型为字符串
• id: 数据类型为字符串
• source: 数据类型为字符串
• metalang_glottocode: 数据类型为字符串
• is_segmented: 数据类型为字符串
• language: 数据类型为字符串
• metalang: 数据类型为字符串

数据集划分

• train: 包含451108个样本，占用101534040字节

数据集大小

• 下载大小: 31412614字节
• 数据集大小: 101534040字节

配置

• config_name: default
  • data_files:
    • split: train
    • path: data/train-*