该数据集包含四个配置，分别是canon-desc、canon-title、iso-desc、iso-title。每个配置都包含测试集，其中canon-desc和iso-desc包含描述字段，canon-title和iso-title包含标题字段。所有配置都包含规范化的SMILES或同分异构体的SMILES字段。数据集主要用于化学分子的描述和标题的规范化SMILES表示学习。

Hugging Face2025-01-02 更新160

CoMeRe repository

文献数据挖掘

通信分析

This corpus contains e-mails, forum posts, online chats, tweets and SMS. The corpus is available for download from Ortolang.

SSH Open MarketPlace2025-07-04 更新110

Pile-CC

文献数据挖掘

网络数据抓取

Pile-CC是一个基于Common Crawl的数据集，用于训练和研究目的。Common Crawl是一个从2008年开始收集的网站抓取数据集，包括网页、元数据和文本提取。然而，由于数据集的原始性质，其中的文本质量参差不齐。为了改善数据质量，Pile-CC使用了jusText工具对Web Archive文件（包括页面的HTML）进行提取，从而产生了更高质量的文本输出。

OpenDataLab2026-07-12 更新420

lsb/enwiki20240401

自然语言处理

文献数据挖掘

--- dataset_info: features: - name: id dtype: string - name: url dtype: string - name: title dtype: string - name: text dtype: string splits: - name: train num_bytes:

Hugging Face2024-04-25 更新120

TuReV Corpus

资源简介：

相关数据集