not-lain/wikipedia-small-3000-embedded

该数据集是从wikimedia/wikipedia数据集中提取的一个子集，包含3001个样本。每个样本包含id、url、title、text和embedding五个特征，其中embedding是通过SentenceTransformer模型生成的文本嵌入。数据集主要用于文本生成和填充掩码任务，语言为英语，数据量在1K到10K之间。

This dataset is a subset extracted from the wikimedia/wikipedia dataset, containing 3001 samples. Each sample includes five features: id, url, title, text, and embedding, where the embedding refers to the text embedding generated via the SentenceTransformer model. This dataset is primarily designed for text generation and mask filling tasks, with all data in English and a scale ranging from 1K to 10K.

原始信息汇总

数据集概述

数据集信息

• 特征（Features）:

  • id: 数据类型为字符串（string）。
  • url: 数据类型为字符串（string）。
  • title: 数据类型为字符串（string）。
  • text: 数据类型为字符串（string）。
  • embedding: 数据类型为浮点数序列（sequence: float32）。

• 分割（Splits）:

  • train: 包含3001个样本，总大小为73850973字节。

• 下载大小（Download Size）: 49787145字节。

• 数据集大小（Dataset Size）: 73850973字节。

配置（Configs）

• 默认配置（config_name: default）:
  • train 数据文件路径: data/train-*

许可证（License）

• 许可证类型: gfdl

任务类别（Task Categories）

• 任务类型:
  • 文本生成（text-generation）
  • 填空（fill-mask）

语言（Language）

• 支持语言: 英语（en）

大小类别（Size Categories）

• 数据集大小范围: 1K<n<10K