Datasets:
File size: 4,085 Bytes
38908c0 7a6755f 38908c0 bcfe8ce f0a900f 274af4d 5528575 bcfe8ce f0a900f 274af4d 308b3a0 bcfe8ce f0a900f 274af4d bcfe8ce f0a900f 274af4d 7a6755f |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 |
---
task_categories:
- text-classification
- feature-extraction
language:
- ru
tags:
- medical
- biology
- chemistry
pretty_name: Medical News Dataset
size_categories:
- 10K<n<100K
---
## Description in English:
Dataset collected from 30 Russian-language Telegram news channels on the topic of medicine,
collected and marked up automatically using the **Scoutie** data collection and marking [service](https://scoutie.ru/).\
Try Scoutie and collect the same or another dataset using the [link](https://scoutie.ru/).
## Dataset fields:
**taskId** - task identifier in the Scouti service.\
**text** - main text.\
**url** - link to the publication.\
**sourceLink** - link to Telegram.\
**subSourceLink** - link to the channel.\
**views** - text views.\
**likes** - for this dataset, an empty field (meaning the number of emotions).\
**createTime** - publication date in unix time format.\
**createTime** - publication collection date in unix time format.\
**clusterId** - cluster id.\
**vector** - text embedding (its vector representation).\
**ners** - array of identified named entities, where lemma is a lemmatized representation of a word, and label is the name of a tag, start_pos is the starting position of an entity in the text, end_pos is the ending position of an entity in the text.\
**sentiment** - emotional coloring of the text: POSITIVE, NEGATIVE, NEUTRAL.\
**language** - text language RUS, ENG.\
**spam** - text classification as advertising or not NOT_SPAM - no advertising, otherwise SPAM - the text is marked as advertising.\
**length** - number of tokens in the text (words).\
**markedUp** - means that the text is marked or not within the framework of the Skauti service, takes the value true or false.
## Описание на русском языке:
Датасет собранный из 30 русскоязычных новостных Telegram каналов на тему медицины,
собранный и размеченный автоматически с помощью сервиса сбора и разметки данных [Скаути](https://scoutie.ru/).\
Попробуй Скаути и собери такой же или другой датасет по [ссылке](https://scoutie.ru/).
## Поля датасета:
**taskId** - идентификатор задачи в сервисе Скаути.\
**text** - основной текст.\
**url** - ссылка на публикацию.\
**sourceLink** - ссылка на Telegram.\
**subSourceLink** - ссылка на канал.\
**views** - просмотры текста.\
**likes** - для данного датасета пустое поле (означающее количество эмоций).\
**createTime** - дата публикации в формате unix time.\
**createTime** - дата сбора публикации в формате unix time.\
**clusterId** - id кластера.\
**vector** - embedding текста (его векторное представление).\
**ners** - массив выявленных именованных сущностей, где lemma - лемматизированное представление слова, а label это название тега, start_pos - начальная позиция сущности в тексте, end_pos - конечная позиция сущности в тексте.\
**sentiment** - эмоциональный окрас текста: POSITIVE, NEGATIVE, NEUTRAL.\
**language** - язык текста RUS, ENG.\
**spam** - классификация текста, как рекламный или нет NOT_SPAM - нет рекламы, иначе SPAM - текст помечен, как рекламный.\
**length** - количество токенов в тексте (слов).\
**markedUp** - означает, что текст размечен или нет в рамках сервиса Скаути принимает значение true или false. |