README.md · ScoutieAutoML/scoutieDataset_russian_language_grammar_and_rules

metadata

task_categories:
  - text-classification
  - text-generation
language:
  - ru
tags:
  - russia
  - media
  - news
  - russianlanguage
  - spelling
  - grammar
  - punctuation
  - llm
  - rag
pretty_name: Russian Language Dictionary with Grammar and Spelling
size_categories:
  - 10K<n<100K

Description in English:

A dataset collected from 30 Russian-language Telegram channels on the topic of learning the Russian language. This dataset contains grammar, syntax, spelling and punctuation rules. The dataset was collected and marked automatically using the Scoutie data collection and marking service.
Try Scoutie and collect the same or another dataset using the link.

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 Telegram каналов на тему изучения Русского языка данный датасет содержит в себе грамматические, синтаксические, орфографические и пунктуационные правила, Датасет был собран и размечен автоматически с помощью сервиса сбора и разметки данных Скаути.
Попробуй Скаути и собери такой же или другой датасет по ссылке.

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.