kanun

Kanun数据集是一个包含丹麦法律文本的集合，数据来源于retsinformation.dk。数据集中的每个条目都有唯一的UUID、管辖权代码、语言代码、文档类型、状态、标题、文本内容、来源URL、哈希值、发布日期、签署日期和版本日期等信息。数据集涵盖了多种类型的法律文件，如立法法案、修正法案、合并法案等。数据集的语言为丹麦语，标签为法律，适用于100K到1M规模的数据集。

The Kanun Dataset is a curated collection of Danish legal texts sourced from retsinformation.dk. Each entry within the dataset features a unique UUID, jurisdiction code, language code, document type, status, title, text content, source URL, hash value, publication date, signing date, and version date. The dataset encompasses a diverse range of legal document types, including legislative bills, amendment bills, consolidation bills, and other related documents. The dataset is in Danish, labeled with the "legal" tag, and has a scale ranging from 100K to 1M.

原始信息汇总

数据集概述：Kanun

数据集基本信息

• 数据集名称：Kanun
• 数据集大小：7.04 GB
• 下载大小：1.52 GB
• 语言：丹麦语 (da)
• 许可：丹麦版权法 (Danish Copyright Law)
• 许可链接：丹麦版权法
• 标签：法律 (legal)
• 大小分类：100K < n < 1M

数据集结构

• 特征：

  • uuid：字符串，每行数据的唯一标识符
  • jurisdiction：字符串，国家或司法区的ISO 3166-1 alpha-2代码
  • language：字符串，文档语言的ISO 639-1代码
  • type：字符串，文档类型（如立法法案、修正法案、综合法案等）
  • status：字符串，文档的有效性状态：有效或历史
  • title_main：字符串，文档的主要标题
  • title_alternative：字符串，文档的常用名称（如有）
  • text：字符串，文档的文本内容
  • source_url：字符串，文档发布页面的来源URL
  • source：字符串，文档的来源，目前仅限retsinformation
  • hash：字符串，HTML的SHA-256哈希
  • date_publication：字符串，文档发布日期
  • date_signature：字符串，文档签署日期
  • version_date：字符串，文档抓取版本日期

• 分割：

  • 训练集：7040945732 字节，105240 个示例

数据集配置

• 配置名称：默认 (default)
• 数据文件：路径为data/train-*，分割为训练集

文档类型

• legislative_act
• amending_act
• consolidated_act
• data_consolidation
• official_publication
• implementing_act
• implementing_measure_gl_fo
• regulation
• executive_order
• amending_regulation
• executive_regulation
• international_regulation
• administrative_guidance_1
• administrative_guidance_2
• administrative_guidance_change_2
• tax_guidance
• guidance
• annotation
• letter
• letter_circular
• letter_open
• miscellaneous
• bill_as_presented
• written_submission_of_bill
• report_on_bill
• addition_to_report
• report_on_bill_details
• amendment_second_reading_l
• supplementary_report_on_bill
• addition_to_supplementary_report
• amendment_third_reading
• bill_as_passed
• independent_report
• resolution_proposal_as_presented
• written_submission_of_resolution
• report_on_resolution_proposal
• report_on_resolution_details
• amendment_second_reading_b
• resolution_proposal_as_passed
• decision
• final_administrative_decision
• statement
• court_judgment

关于司法区

• 司法区通常是丹麦 (DK)，但在某些情况下，可能仅适用于格陵兰 (GL) 或法罗群岛 (FO)。
• 如果司法区列为DK，它可能包括丹麦、格陵兰或法罗群岛，具体取决于特定的标题或内容。

数据集引用

@misc{kanun2025dataset, title={Kanun}, author={Jasan Farah}, year={2025}, url={https://huggingface.co/datasets/jasan/kanun}, }

搜集汇总

数据集介绍

构建方式

Kanun数据集的构建采取了对丹麦法律文本的系统性整理，涵盖了自retsinformation.dk获取的各类法律文献。数据集以UUID作为唯一标识符，详细记录了每份文本的司法辖区、语言类型、文档类别、有效状态、标题、正文内容、来源链接、来源、哈希值、发布日期、签署日期和版本日期等信息。通过分类整理不同类型的法律文件，如立法法案、修正法案、合并法案等，数据集构建者确保了数据的多样性和全面性。

使用方法

用户可通过Hugging Face平台提供的接口和工具来访问Kanun数据集。下载后，用户可以依据数据集内的字段结构，如UUID、文档类型、有效状态等，对法律文本进行筛选和分析。针对具体的研究目的，用户可利用数据集中的元信息进行高级查询和文本挖掘，从而支持法律信息学、自然语言处理等领域的研究工作。

背景与挑战

背景概述

Kanun数据集，作为一部丹麦法律文献的集合，源于retsinformation.dk网站，其构建旨在为法律文本分析、信息检索以及自然语言处理等领域的研究提供支持。该数据集由Jasan Farah于2025年创建，包含了不同类型的法律文件，如立法法案、修正法案、统一法案等，覆盖了自颁布以来至收集时的有效和过期法律条文。Kanun数据集遵循丹麦版权法，并在学术界和工业界产生了广泛影响，为相关领域的研究提供了宝贵的数据资源。

当前挑战

在构建Kanun数据集的过程中，研究人员面临着多方面的挑战。首先，确保数据集的多样性和代表性，覆盖不同类型和状态的法律文件，同时需处理多种文件格式和来源的一致性问题。其次，数据集的标注和分类工作要求对丹麦法律体系有深入的理解，这对于非本地研究人员来说是一大挑战。此外，数据集在遵循版权法的前提下，还需解决数据访问和使用权限的问题，以确保研究的合法性和合规性。

常用场景

经典使用场景

在自然语言处理与法律文本分析领域，Kanun数据集因其涵盖了丰富的丹麦法律文本，而被广泛用于训练模型以理解和生成法律文档。其经典的使用场景包括构建能够自动分类法律文件类型、识别法律条文的效力状态、以及提取和总结法律文本中的关键信息的算法。

解决学术问题

Kanun数据集解决了学术研究中对于大规模、多样化法律文本数据的迫切需求，它帮助研究者克服了在法律文本挖掘、信息检索和语义理解方面的障碍，从而促进了法律领域文本分析技术的发展和法律知识工程的进步。

实际应用

实际应用中，Kanun数据集被法律专业人士和科技公司用于开发智能法律助手，这些助手可以辅助进行法律文件的检索、分析和起草，提高了法律工作的效率和质量。

数据集最近研究

最新研究方向

在法律文本分析与处理领域，Kanun数据集的引入为研究者提供了丰富的丹麦法律文献资源。该数据集包含多种类型的法律文件，如立法法案、修正法案、官方出版物等，为自然语言处理技术在法律文本分类、信息抽取、语义理解等方面的研究提供了坚实基础。近期，研究者们利用Kanun数据集探索法律文本自动摘要、智能问答以及法律文件相似性检测等前沿研究方向，这些研究对于提升法律工作效率、促进法律服务的自动化与智能化具有重要意义。