Indo4B-Plus
收藏arXiv2021-10-10 更新2024-06-21 收录
下载链接：
https://github.com/indobenchmark/indonlg
下载链接
链接失效反馈官方服务：
资源简介：
Indo4B-Plus是一个包含印尼语、爪哇语和巽他语的大型预训练数据集，由香港科技大学等机构创建。该数据集主要用于自然语言生成模型的预训练，涵盖了超过36亿个单词，数据来源于维基百科和Common Crawl等。创建过程包括数据收集、预处理和平衡，旨在解决低资源语言的自然语言生成问题，特别是在印尼语、爪哇语和巽他语等广泛使用的语言中。
提供机构：
香港科技大学
创建时间：
2021-04-17
