acloudfan/embedded_movies_small

该数据集是从HuggingFace数据集**AIatMongoDB/embedded_movies**创建的，主要用于电影相关的情感分析、文本相似性（剧情）以及嵌入向量的使用。原始数据集接近25GB，对于学习和实验来说过于庞大，因此进行了精简和清理。数据集包含多个特征，如电影评级、编剧、演员、剧情、导演、类型、完整剧情、语言、奖项、IMDB评分、剧情嵌入向量等。数据集分为训练集和测试集，分别包含1017和434个样本。

This dataset is derived from the Hugging Face dataset **AIatMongoDB/embedded_movies**, and is primarily designed for movie-related sentiment analysis, plot-based text similarity tasks and embedding vector applications. The original dataset is nearly 25GB in size, which is excessively large for learning and experimentation, so it has been streamlined and cleaned up. The dataset includes multiple features such as movie ratings, screenwriters, actors, plot summaries, directors, genres, full plot synopses, languages, awards, IMDB ratings, plot embedding vectors, and more. It is split into training and test sets, with 1017 and 434 samples respectively.

原始信息汇总

数据集概述

基本信息

• 名称: Movies Data with Embeddings
• 许可证: MIT
• 语言: 英语
• 大小类别: 10M<n<100M
• 标签: movies, embeddings, sentiment, vectors
• 任务类别: text-classification, table-question-answering, fill-mask, sentence-similarity

数据集配置

• 配置名称: default
  • 数据文件:
    • 训练集: data/train-*
    • 测试集: data/test-*

数据集信息

• 特征:
  • rated: 字符串
  • writers: 字符串序列
  • runtime: 浮点数
  • num_mflix_comments: 整数
  • title: 字符串
  • cast: 字符串序列
  • plot: 字符串
  • directors: 字符串序列
  • type: 字符串
  • fullplot: 字符串
  • languages: 字符串序列
  • awards: 结构体
    • nominations: 整数
    • text: 字符串
    • wins: 整数
  • imdb: 结构体
    • id: 整数
    • rating: 浮点数
    • votes: 整数
  • plot_embedding: 浮点数序列
  • metacritic: 浮点数
  • countries: 字符串序列
  • genres: 字符串序列
  • poster: 字符串
  • index_level_0: 整数

数据集分割

• 训练集:
  • 字节数: 13739333
  • 样本数: 1017
• 测试集:
  • 字节数: 5863663
  • 样本数: 434

数据集大小

• 下载大小: 19321684
• 数据集大小: 19602996