该数据集包含多个字段，主要涉及问题的ID、模块名称、问题标题、主内容、技能评分、持续时间上限、部分内容、解答位置、解答内容、教程、总主题、模块、级别、总文本、问题内容、问题句子长度、动词计数、文本长度、LaTeX长度、嵌入、表格、总解答长度、步骤、部分技能、技能与总解答长度的乘积、技能与步骤的乘积、文本与LaTeX统计、解答与LaTeX统计、总RA数、问题字符长度等。数据集划分为训练集，包含776

Hugging Face2024-07-03 更新90

slvnwhrl/blurbs-clustering-s2s

文本聚类

词嵌入

该数据集可作为德语词嵌入聚类的基准。数据集包含书籍标题，基于GermEval 2019共享任务的数据集。数据集包含17,726个独特样本，28个分割，每个分割的样本数从177到16,425不等，类别数从4到93不等。分割方式类似于MTEB的ArxivClusteringS2S。

Hugging Face2024-01-08 更新60

Arabic Gigaword Second Edition

阿拉伯语处理

新闻文本分析

Introduction Arabic Gigaword Second Edition was developed by the Linguistic Data Consortium (LDC) and contains 1.6 million documents of Arabic newswire text collected by LDC.

DataCite Commons2021-07-01 更新170

reddit-clustering-vn

文本聚类

Reddit内容

该数据集包含四个字段：句子（sentences）、标签（labels）、原始句子（og_sentences）和一个整数类型的索引字段。测试集包含10个示例。具体描述和用途未在README中提供。

Hugging Face2025-04-17 更新80