Wouter01/testarticles

--- dataset_info: features: - name: article_id dtype: int32 - name: title dtype: string - name: subtitle dtype: string - name: last_modified_time dtype: timestamp[us] - name: premium dtype: bool - name: body dtype: string - name: published_time dtype: timestamp[us] - name: image_ids sequence: int64 - name: article_type dtype: string - name: url dtype: string - name: ner_clusters sequence: string - name: entity_groups sequence: string - name: topics sequence: string - name: category dtype: int16 - name: subcategory sequence: int16 - name: category_str dtype: string - name: total_inviews dtype: float64 - name: total_pageviews dtype: float64 - name: total_read_time dtype: float32 - name: sentiment_score dtype: float32 - name: sentiment_label dtype: string splits: - name: train num_bytes: 355991938 num_examples: 125541 download_size: 206642453 dataset_size: 355991938 configs: - config_name: default data_files: - split: train path: data/train-* ---数据集信息： 特征项： - 名称：文章ID，数据类型：32位整数（int32） - 名称：标题，数据类型：字符串 - 名称：副标题，数据类型：字符串 - 名称：最后修改时间，数据类型：微秒级时间戳（timestamp[us]） - 名称：付费标识，数据类型：布尔型（bool） - 名称：正文，数据类型：字符串 - 名称：发布时间，数据类型：微秒级时间戳（timestamp[us]） - 名称：图像ID序列，数据类型：64位整数（int64）序列 - 名称：文章类型，数据类型：字符串 - 名称：统一资源定位符（URL），数据类型：字符串 - 名称：命名实体聚类，数据类型：字符串序列 - 名称：实体组，数据类型：字符串序列 - 名称：主题，数据类型：字符串序列 - 名称：类别，数据类型：16位整数（int16） - 名称：子类别，数据类型：16位整数（int16）序列 - 名称：类别字符串，数据类型：字符串 - 名称：总展示量，数据类型：64位浮点数（float64） - 名称：总页面浏览量，数据类型：64位浮点数（float64） - 名称：总阅读时长，数据类型：32位浮点数（float32） - 名称：情感得分，数据类型：32位浮点数（float32） - 名称：情感标签，数据类型：字符串 数据集拆分： - 拆分名称：训练集（train），占用字节数：355991938，样本数量：125541 下载大小：206642453 数据集总大小：355991938 配置项： - 配置名称：默认配置（default） 数据文件： - 对应拆分：训练集，路径：data/train-*

原始信息汇总

数据集概述

数据集特征

• article_id：整数类型，32位
• title：字符串类型
• subtitle：字符串类型
• last_modified_time：时间戳类型，微秒精度
• premium：布尔类型
• body：字符串类型
• published_time：时间戳类型，微秒精度
• image_ids：序列类型，64位整数
• article_type：字符串类型
• url：字符串类型
• ner_clusters：序列类型，字符串
• entity_groups：序列类型，字符串
• topics：序列类型，字符串
• category：整数类型，16位
• subcategory：序列类型，16位整数
• category_str：字符串类型
• total_inviews：浮点数类型，64位
• total_pageviews：浮点数类型，64位
• total_read_time：浮点数类型，32位
• sentiment_score：浮点数类型，32位
• sentiment_label：字符串类型

数据集划分

• 训练集（train）：
  • 数据量：125541个样本
  • 存储大小：355991938字节

数据集大小

• 下载大小：206642453字节
• 数据集总大小：355991938字节

搜集汇总

背景与挑战

背景概述

该数据集是一个丹麦新闻文章集合，包含约12.6万条数据，涵盖娱乐、体育、犯罪等多个主题，每条数据都有标题、正文、发布时间、类别和情感标签等字段。数据集以表格和文本形式存储，适用于自然语言处理任务，如情感分析、文本分类和信息提取。