Mike0307/simclue-zh-tw

--- dataset_info: features: - name: text1 dtype: string - name: text2 dtype: string - name: label dtype: int64 - name: similarity dtype: float64 - name: __index_level_0__ dtype: int64 splits: - name: train num_bytes: 262368640 num_examples: 1307687 - name: test num_bytes: 29409397 num_examples: 147115 - name: validate num_bytes: 36060224 num_examples: 179807 download_size: 244981269 dataset_size: 327838261 --- # Dataset Card for "simclue-zh-tw" [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： - 名称：text1，数据类型：字符串 - 名称：text2，数据类型：字符串 - 名称：label，数据类型：64位整数 - 名称：similarity，数据类型：64位浮点数 - 名称：__index_level_0__，数据类型：64位整数 数据集划分： - 名称：train（训练集），字节大小：262368640，样本数量：1307687 - 名称：test（测试集），字节大小：29409397，样本数量：147115 - 名称：validate（验证集），字节大小：36060224，样本数量：179807 下载大小：244981269 总数据集大小：327838261 # "simclue-zh-tw"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

数据集特征

• text1: 数据类型为字符串。
• text2: 数据类型为字符串。
• label: 数据类型为整数，具体为int64。
• similarity: 数据类型为浮点数，具体为float64。
• index_level_0: 数据类型为整数，具体为int64。

数据集分割

• 训练集 (train): 包含1307687个样本，总大小为262368640字节。
• 测试集 (test): 包含147115个样本，总大小为29409397字节。
• 验证集 (validate): 包含179807个样本，总大小为36060224字节。

数据集大小

• 下载大小: 244981269字节。
• 数据集总大小: 327838261字节。

搜集汇总

背景与挑战

背景概述

该数据集是一个用于文本相似性分析的双语数据集，包含1.63百万行数据，分为训练、测试和验证集，支持多种数据处理库。