Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Create Dataset with metadata

Đang mở
  • Có gì không ổn?
#124 0 bình luận 3 reaction 0 người được giao Xem trên GitHub

Chưa có ai nhận issue này.

Đánh giá

Độ khó
4/5
Thời gian dự kiến
3-5 ngày
Mức phù hợp với người mới
25/100
Loại issue
Tính năng
Độ rõ ràng
Cần làm rõ
Mức độ hoạt động
Đình trệ
Công nghệ
python
Lĩnh vực
data-engineering

Hướng nghiên cứu

Không có tệp hoặc bài kiểm thử nào được nêu. Hãy bắt đầu bằng việc xem lại các bước trích xuất đã hoàn tất và đầu ra dataset hiện tại, sau đó xử lý các mục còn lại trong checklist: dọn dẹp các dòng trống và các cột lỗi khi thích hợp, thu thập siêu dữ liệu nếu cần, rồi push dataset đã hoàn tất lên Hub.

Do mô hình lập chỉ mục viết ra từ nội dung của issue.

Mô tả

#dataset Epic

Steps:

  • pseudo crawl ~10% of C4 web page from Common Crawl @tianjianjiang
  • import pseudo crawled dataset on JZ @SaulLu
  • run 1st step of extraction:
    1. Extract text, HTML head sections, HTML footer sections, HTML Titles section and HTML metadata @SaulLu
    2. Change format of URL @SaulLu
    3. Extract Timestamp @cccntu @SaulLu
    4. Extract Generation Length Sentence @chkla @SaulLu
    5. Extract Generation Length Text @chkla @SaulLu
    6. Extract Data source @chkla @SaulLu
  • run 2nd step of extraction:
    1. Extract Website descriptions @shanyas10 @SaulLu
  • run 3rd step of extraction:
    1. Extract Entities @manandey @SaulLu
    2. (option) Extract Entities descriptions @manandey @SaulLu
  • run 4th step of extraction:
    1. Extract Paragraph @tianjianjiang @SaulLu
      • #114
      • #125
      • annotator (preprocessor) of the metadata
    2. Modify entities metadata with paragraph information @manandey @SaulLu
    3. Modify generation length with paragraph information @chkla @SaulLu
  • (optional) clean final dataset:
    1. Remove empty lines @SaulLu
    2. Remove "errors" columns @SaulLu
    3. (optional) Gather all metadata into same column @cccntu @timoschick @SaulLu
  • push dataset to Hub @SaulLu
Ngôn ngữ chính
Python
Star
29
Fork
11
Không có pull request nào được merge trong 30 ngày

Chuẩn bị môi trường

Dự án này không cung cấp dev container, Dockerfile hay hướng dẫn đóng góp, nên bạn cần tự thiết lập môi trường: hãy bắt đầu từ README và xem hướng dẫn đóng góp lần đầu của chúng tôi để biết các bước chung.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của bigscience-workshop/metadata

Tất cả issue của bigscience-workshop/metadata

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.