procesaur/STARS

该数据集名为S.T.A.R.S.，是一个高质量的塞尔维亚语博士论文集合，包含11,624份文档，总计超过5.56亿字。这些文档对于训练塞尔维亚语语言模型至关重要。每个文档通过双换行符分隔，每行代表一个段落，段落内的句子有标记。此外，还提供了完整的元数据和并行翻译文本的相关数据集。

原始信息汇总

数据集概述

基本信息

• 名称: S.T.A.R.S.
• 语言: 塞尔维亚语（sr）
• 大小: 100M<n<1B
• 配置: 默认配置
  • 数据文件:
    • 分割: 训练
    • 路径: s.t.a.r.s.txt
• 任务类别: 文本生成
• 许可证: CC-BY-SA-4.0

数据集描述

• 内容: 高质量的塞尔维亚语博士论文集合，包含11,624份文档，总计超过556百万单词。
• 结构:
  • 每个文档由双换行符分隔。
  • 每行代表一个段落。
  • 段落内的句子有标记。
• 用途: 用于训练高质量的塞尔维亚语语言模型。

相关资源

• 元数据: 完整元数据可查看NARDUS-meta，包含13,289份论文的元数据。
• 平行翻译库: 平行翻译段落库可查看PaSaž，包含超过20,000个平行段落。