---
license: apache-2.0
dataset_info:
  features:
  - name: 税番
    dtype: string
  - name: text
    dtype: string
  - name: label
    dtype: int64
  splits:
  - name: train
    num_bytes: 1667475
    num_examples: 2655
  - name: test
    num_bytes: 555604
    num_examples: 886
  download_size: 928402
  dataset_size: 2223079
configs:
- config_name: default
  data_files:
  - split: train
    path: data/train-*
  - split: test
    path: data/test-*
task_categories:
- text-classification
language:
- ja
---

埋め込みモデルの学習、評価のためのクラスタリングデータセットです。

[税関の事前教示回答（品目分類）](https://www.customs.go.jp/tetsuzuki/bunrui/index.htm)から収集したデータを整形して作成しました。  
[利用規約](https://www.customs.go.jp/kyotsu/rules.htm)に基づき、データセットとして公開しております。

2024/6/23時点でダウンロードしたデータから、「一般的品名」が重複しているデータを削除しました。  
text列は「一般的品名」と「貨物概要」を結合したデータです。  
label列は、HSコードの「部」に該当します。  
部の情報は[関税率表解説・分類例規](https://www.customs.go.jp/tariff/kaisetu/index.htm)のページの一覧表から取得しました。  
labelの割合を保ちつつ、ランダムにtrainとtestに分割しました。  
それぞれのsplitの件数は以下の通りです。

|   label |   train |   test |
|--------:|--------:|-------:|
|       1 |     150 |     51 |
|       2 |     214 |     71 |
|       3 |      32 |     11 |
|       4 |     576 |    192 |
|       5 |      27 |      9 |
|       6 |     308 |    102 |
|       7 |     246 |     82 |
|       8 |      46 |     16 |
|       9 |      67 |     22 |
|      10 |      30 |     10 |
|      11 |     304 |    101 |
|      12 |      66 |     22 |
|      13 |      45 |     15 |
|      14 |      14 |      5 |
|      15 |     149 |     50 |
|      16 |     138 |     45 |
|      17 |      36 |     13 |
|      18 |      31 |     10 |
|      20 |     176 |     59 |