DAHUAlanguage/categorizer-ds

--- dataset_info: features: - name: title_zh dtype: string - name: title_ch dtype: string - name: grade dtype: string - name: content dtype: string - name: HSK dtype: string - name: CEFR dtype: string - name: TOCFL dtype: string - name: tokpos list: - name: HSK dtype: string - name: TOCFL dtype: string - name: pinyin_ch dtype: string - name: pinyin_zh dtype: string - name: pos dtype: string - name: title_ch dtype: string - name: title_zh dtype: string - name: translation dtype: string - name: vocabularyId dtype: string - name: zhuyin dtype: string splits: - name: train num_bytes: 7908054 num_examples: 332 download_size: 1567962 dataset_size: 7908054 configs: - config_name: default data_files: - split: train path: data/train-* ---dataset_info: features: - name: 中文标题（title_zh） dtype: 字符串类型（string） - name: 繁体中文标题（title_ch） dtype: 字符串类型（string） - name: 等级（grade） dtype: 字符串类型（string） - name: 文本内容（content） dtype: 字符串类型（string） - name: 汉语水平考试（HSK） dtype: 字符串类型（string） - name: 欧洲语言共同参考框架（CEFR） dtype: 字符串类型（string） - name: 全民华语文能力测验（TOCFL） dtype: 字符串类型（string） - name: 分词与词性标注列表（tokpos） dtype: 列表类型（list） list: - name: 汉语水平考试（HSK） dtype: 字符串类型（string） - name: 全民华语文能力测验（TOCFL） dtype: 字符串类型（string） - name: 繁体拼音（pinyin_ch） dtype: 字符串类型（string） - name: 简体拼音（pinyin_zh） dtype: 字符串类型（string） - name: 词性标注（pos） dtype: 字符串类型（string） - name: 繁体中文标题（title_ch） dtype: 字符串类型（string） - name: 中文标题（title_zh） dtype: 字符串类型（string） - name: 译文（translation） dtype: 字符串类型（string） - name: 词汇ID（vocabularyId） dtype: 字符串类型（string） - name: 注音符号（zhuyin） dtype: 字符串类型（string） splits: - name: 训练集（train） num_bytes: 7908054 num_examples: 332 download_size: 1567962 dataset_size: 7908054 configs: - config_name: 默认配置（default） data_files: - split: 训练集（train） path: data/train-*

原始信息汇总

数据集概述

数据集特征

• title_zh：中文标题，数据类型为字符串。
• title_ch：另一种中文标题，数据类型为字符串。
• grade：年级，数据类型为字符串。
• content：内容，数据类型为字符串。
• HSK：汉语水平考试等级，数据类型为字符串。
• CEFR：欧洲共同参考框架等级，数据类型为字符串。
• TOCFL：台湾华语文能力测验等级，数据类型为字符串。
• tokpos：词汇位置列表，包含以下子特征：
  • HSK：汉语水平考试等级，数据类型为字符串。
  • TOCFL：台湾华语文能力测验等级，数据类型为字符串。
  • pinyin_ch：中文拼音，数据类型为字符串。
  • pinyin_zh：另一种中文拼音，数据类型为字符串。
  • pos：词性，数据类型为字符串。
  • title_ch：另一种中文标题，数据类型为字符串。
  • title_zh：中文标题，数据类型为字符串。
  • translation：翻译，数据类型为字符串。
  • vocabularyId：词汇ID，数据类型为字符串。
  • zhuyin：注音符号，数据类型为字符串。

数据集分割

• train：训练集，包含332个示例，总大小为7908054字节。

数据集大小

• 下载大小：1567962字节。
• 数据集总大小：7908054字节。

配置

• config_name：默认配置。
• data_files：训练数据文件路径为data/train-*。