learn2train/the_times_archive_1824

该数据集包含从《泰晤士报》文章中提取的文本，这些文章发表于1824年。文本是通过光学字符识别（OCR）软件从数字化报纸页面生成的，并附有一些与报纸相关的最小元数据。数据集可用于历史研究、数字人文研究、训练语言模型和训练历史语言模型。

原始信息汇总

数据集概述

基本信息

• 数据集名称: The Times Archive Dataset (1824)
• 语言: 英语
• 许可证: CC0-1.0

数据集内容

• 描述: 包含1824年《泰晤士报》文章的文本数据集。
• 数据来源: 通过光学字符识别软件从数字化报纸页面提取的文本。
• 用途:
  • 历史研究和数字人文研究
  • 训练语言模型
  • 训练历史语言模型

数据集结构

• 特征:
  • title: 字符串类型
  • original_publication_date: 字符串类型
  • ocr_text: 字符串类型

数据集分割

• 训练集:
  • 示例数量: 13733
  • 数据大小: 138150979字节
  • 下载大小: 104596971字节

配置

• 默认配置:
  • 数据文件路径: data/train-*