К содержимому

Датасет · ccdv

Тексты патентов и аннотаций для классификации

ccdv/patent-classification

35 тысяч англоязычных патентов и их аннотаций, разделённых на 9 классов для проверки работы с длинным контекстом.

Что внутри

Датасет на английском языке, собранный на основе известного корпуса BIGPATENT. Он включает 35 тысяч документов (полные тексты патентов и их аннотации), разбитых на 3 сплита и 9 несбалансированных категорий. Поскольку тексты патентов без аннотаций превышают 512 токенов, набор специально предназначен для задач классификации длинных документов.

Что можно сделать

  • Обучение и оценка моделей классификации на длинных текстах (более 512 токенов)
  • Автоматическая категоризация патентной и технической документации
  • Тестирование устойчивости классификаторов к несбалансированным классам
Задачи
Классификация текста
Языки
Английский
Размер
10K–100K записей
Скачиваний за месяц
971
Лайков
31

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("ccdv/patent-classification")