К содержимому

Датасет · yachay

Многоязычные гео-тегированные посты соцсетей

yachay/text_coordinates_regions

Корпус из 500 000 текстов на разных языках, привязанных к географическим координатам из 123 регионов.

Что внутри

Содержит текстовые образцы на английском, китайском, испанском, хинди, арабском и бенгали, разделенные по .json файлам для каждого региона. Размер датасета составляет от 100K до 1M записей.

Что можно сделать

  • Обучение моделей классификации текста
  • Задачи токен-классификации и извлечения признаков
Задачи
Эмбеддинги, Разметка токенов, Классификация текста
Языки
Английский, Китайский, Испанский, Хинди, Арабский, bn, Португальский, Русский и ещё 4
Размер
100K–1M записей
Скачиваний за месяц
683
Лайков
11

Модели, обученные на нём

Как загрузить

from datasets import load_dataset

ds = load_dataset("yachay/text_coordinates_regions")