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")