LeoCordoba/CC-NEWS-ES

CC-NEWS-ES是一个西班牙语的新闻数据集，来源于2019年的CC-NEWS（Common Crawl的新闻索引），通过FastText模型进行语言预测提取西班牙语文章。数据集包含7,473,286篇文本和1,812,009,283个单词，按不同域（如国家或地区）分布。数据集的结构包括每个数据实例的国家域、新闻正文和内部ID。数据集未包含额外的注释，且未提及数据集的社交影响、偏见或其他已知限制。

原始信息汇总

数据集概述

数据集名称

CC-NEWS-ES

语言

• 西班牙语（es）

许可

• MIT许可证

多语言性

• 单语种

数据集大小

• 包含7,473,286个文本和1,812,009,283个单词

数据集结构

• 数据实例：每个实例包含国家（country）、文本（text）和内部ID（id）。
• 数据字段：未详细说明。
• 数据分割：未详细说明。

任务和支持

• 任务类别：摘要生成（summarization）、文本生成（text-generation）
• 领导板：未提供

数据集创建

• 来源数据：从Common Crawl的CC-NEWS中提取的西班牙语新闻文章。
• 注释：无额外注释。

使用考虑

• 社会影响：未详细说明。
• 偏见讨论：未提供。
• 其他已知限制：未提供。

附加信息

• 数据集维护者：Leonardo Ignacio Córdoba和María Gaska。
• 许可证信息：未提供详细信息。
• 引用信息：未提供。